自组织地图和线性矢量量化答案

【问题标题】：Self organizing Maps and Linear vector quantization自组织地图和线性矢量量化
【发布时间】：2015-12-08 04:07:23
【问题描述】：

自组织地图更适合聚类（降维）而不是分类。但是 SOM 用于线性矢量量化以进行微调。但 LVQ 是一种有监督的学习方法。因此，要在 LVQ 中使用 SOM，应为 LVQ 提供标记的训练数据集。但是由于 SOM 只做聚类而不是分类，因此不能有标签数据，如何将 SOM 用作 LVQ 的输入？

LVQ 是否对 SOM 中的集群进行微调？
在 LVQ 中使用之前，SOM 是否应该通过另一个分类算法，以便它可以对输入进行分类，以便这些标记的输入可以在 LVQ 中使用？

【问题讨论】：

标签： neural-network pattern-recognition quantization unsupervised-learning self-organizing-maps

【解决方案1】：

必须清楚，有监督与无监督不同，因为首先目标值是已知的。因此，监督模型的输出是一个预测。相反，无监督模型的输出是一个我们还不知道其含义的标签。为此，在聚类之后，有必要对每个新标签进行分析。

话虽如此，您可以使用 SOM 等无监督学习技术标记数据集。然后，您应该对每个类进行概要分析，以确保理解每个类的含义。此时，您可以根据您的最终目标采取两条不同的道路： 1. 使用这个新变量作为降维的一种方式 2. 使用这个带有表示类的附加变量的新数据集作为标记数据，您将尝试使用 LVQ 进行预测

希望这能有用！

【讨论】：