Examining Variants of Learning Vector Quantizations According to Normalization and Initialization of Vector Positions

Abstract

Learning Vector Quantization is a prototype-based artificial neural network. The classification is performed by representing the data set with the prototype vectors of the classes. In this study, using some variants of Learning Vector Quantization such as LVQ1, LVQ2.1, LVQ3, LVQX, and OLVQ1, the systems are designed and implemented, and they are examined according to initializations of prototype vectors and data sets. Every data set is divided into training and testing data sets. With the training data set, all LVQ networks are trained in a reinforcement learning strategy, and the models for each network are generated to test the success of the systems. In addition, the systems are compared with each other using some distinct normalization techniques such as z-score and linear scaling. In initial conditions, all prototype vectors can be randomly selected, and the values of all prototype vectors can be assigned to zero. The generated systems are evaluated by accuracy and f-measure benchmark measures and compared by their success rates.Öğrenmeli Vektör Kuantalama, prototip tabanlı bir yapay sinir ağıdır. Öğrenmeli Vektör Kuantalama ile sınıflandırma, veri seti sınıfları, prototip vektörleri ile temsil edilerek gerçekleştirilir. Bu çalışmada, Öğrenmeli Vektör Kuantalama’nın LVQ1, LVQ2.1, LVQ3, LVQX ve OLVQ1 gibi bazı LVQ varyantları kullanılarak sistemler tasarlanmış, gerçekleştirilmiştir. Oluşturulan sistemler, veri setlerine ve prototip vektörlerinin başlangıç değerlerine göre incelenmiştir. Her veri seti eğitim ve test veri setlerine bölünmüştür. LVQ ağları destekleyici öğrenme stratejisi ile eğitim veri setini kullanarak eğitilir. Sistemlerin başarısını test etmek için her ağ için modeller oluşturulmuştur. Ayrıca sistemler, z-skoru ve doğrusal ölçekleme gibi bazı belirgin normalizasyon teknikleri kullanılarak birbirleriyle karşılaştırılır. Başlangıç değeri atamalarında, tüm prototip vektörleri için rastgele değerler seçilebilir ve tüm prototip vektörlerinin değerleri sıfıra atanabilir. Geliştirilen sistemler, doğruluk ve f-ölçüsü metrikleri ile değerlendirilmiştir ve başarı oranları ile karşılaştırılmıştır.