« Quantification vectorielle par apprentissage » : différence entre les versions
Aucun résumé des modifications |
m (Remplacement de texte : « ↵<small> » par « ==Sources== ») |
||
| (9 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
La quantification vectorielle par apprentissage (QVA) est un algorithme de [[classification supervisée]] basé sur la distance entre un point de donnée et des prototypes. | |||
== Compléments == | |||
L'algorithme QVA a été inventé par Teuvo Kohonen. | |||
La technique est utilisée en [[classification]] et en compression de données. | |||
L'algorithme en 2 étapes, la première étant la création des prototypes (par exemple et exploitant les [[regroupement|regroupements]]); à un prototype (ou vecteur moyen), on associe une classe. | |||
La seconde étape consiste en une classification au moyen d'une mesure de distance vectorielle (selon différentes [[métrique|métriques]]) entre un point de données et les différents prototypes. La classe sera associé au prototype ayant la distance minimal par rapport au point. | |||
== Français == | == Français == | ||
''' apprentissage de | ''' quantification vectorielle par apprentissage ''' | ||
''' quantification de vecteurs par apprentissage ''' | |||
'''QVA''' | |||
== Anglais == | == Anglais == | ||
| Ligne 11 : | Ligne 24 : | ||
==Sources== | |||
[https://en.wikipedia.org/wiki/Learning_vector_quantization Source : Wikipedia Machine Learning ] | [https://en.wikipedia.org/wiki/Learning_vector_quantization Source : Wikipedia Machine Learning ] | ||
[https://publications.polymtl.ca/1434/ Source : Simon Proulx (2014) ] | |||
[[Catégorie: | [[Catégorie:GRAND LEXIQUE FRANÇAIS]] | ||
Dernière version du 28 janvier 2024 à 12:39
Définition
La quantification vectorielle par apprentissage (QVA) est un algorithme de classification supervisée basé sur la distance entre un point de donnée et des prototypes.
Compléments
L'algorithme QVA a été inventé par Teuvo Kohonen.
La technique est utilisée en classification et en compression de données.
L'algorithme en 2 étapes, la première étant la création des prototypes (par exemple et exploitant les regroupements); à un prototype (ou vecteur moyen), on associe une classe.
La seconde étape consiste en une classification au moyen d'une mesure de distance vectorielle (selon différentes métriques) entre un point de données et les différents prototypes. La classe sera associé au prototype ayant la distance minimal par rapport au point.
Français
quantification vectorielle par apprentissage
quantification de vecteurs par apprentissage
QVA
Anglais
learning vector quantization
LVQ
Sources
Contributeurs: Imane Meziani, Patrick Drouin, wiki
