Muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti farg'ona filiali 610-20 guruh talabasi Nomonov Islomjonning Mashinali o’qitish fanidan tayyorlagan Mustaqil ishi

7. Vektor kvantlash tarmoqlari (LVQ) 
KNN ning kamchiligi shundaki, siz butun o'quv ma'lumotlar to'plamini 
saqlashingiz kerak. Agar KNN yaxshi ishlagan bo'lsa , LVQ algoritmini sinab 
ko'rish mantiqan to'g'ri keladi ( Learning vektor kvantlash ), bu kamchilikdan 
mahrum. 
LVQ kod vektorlari to'plamidir. Ular boshida tasodifiy tanlanadi va ma'lum 
miqdordagi iteratsiyalar davomida butun ma'lumotlar to'plamini eng yaxshi 
umumlashtiradigan tarzda moslashtiriladi. Treningdan so'ng, bu vektorlar KNNda 
bo'lgani kabi bashorat qilish uchun ham ishlatilishi mumkin. Algoritm har bir 
kodvektor va yangi ma'lumotlar namunasi orasidagi masofani hisoblab, eng yaqin 
qo'shnini (eng yaxshi mos kodvektor) qidiradi. Keyin sinf (yoki regressiya holatida 
raqam) eng yaxshi mos vektor uchun bashorat sifatida qaytariladi. Agar barcha 

---

ma'lumotlar bir xil diapazonda, masalan , 0 dan 1 gacha bo'lsa, eng yaxshi natijaga 
erishish mumkin . 
8. Vektor mashinasini qo'llab-quvvatlash (SVM) 
Vektor mashinasini qo'llab-quvvatlash, ehtimol, eng mashhur va muhokama 
qilinadigan mashinani o'rganish algoritmlaridan biridir. 
Giper tekislik - bu kiritilgan o'zgaruvchilar bo'shlig'ini ajratuvchi chiziq. 
Qo'llab-quvvatlovchi vektor mashinasida kirish o'zgaruvchan tekisligidagi 
nuqtalarni sinfi bo'yicha eng yaxshi ajratish uchun giperplane tanlanadi: 0 yoki 1. 
Ikki o'lchovli tekislikda bu nuqtalarni to'liq ajratuvchi chiziq sifatida ifodalanishi 
mumkin. barcha sinflar. Trening davomida algoritm sinflarni giperplan bilan 
yaxshiroq ajratishga yordam beradigan koeffitsientlarni qidiradi. 
Giper tekislik va eng yaqin ma'lumotlar nuqtalari orasidagi masofa farq 
deyiladi. Ikki sinfni ajratuvchi eng yaxshi yoki optimal giperplan - bu eng katta 
farqga ega chiziq. Giper tekislikni aniqlashda va klassifikatorni qurishda faqat shu 
nuqtalar muhim ahamiyatga ega. Ushbu nuqtalar qo'llab-quvvatlash vektorlari deb 
ataladi. Farqni maksimal darajada oshiradigan koeffitsientlarning qiymatlarini 
aniqlash uchun maxsus optimallashtirish algoritmlari qo'llaniladi. 
Qo'llab-quvvatlovchi vektor mashinasi, ehtimol, eng samarali klassik 
tasniflagichlardan biri bo'lib, bu albatta e'tiborga loyiqdir.