Metraipolis › archive › dc_bf42cf0b7e32

Aprendizaje de cuantificación vectorial — Wikipedia (es)

Source
Wikipedia (es)
Original
https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial
License (as archived)
CC-BY-SA-4.0
Archived
2026-10-06T11:20:05.760Z
SHA-256 of the archived text
321473a364ca5ca9f22e410625365aa430740f71a3c74cf4161beaeaa988bec3
Stable URL of this page
https://metraipolis.com/documento/dc_bf42cf0b7e32

How to cite

Aprendizaje de cuantificación vectorial — Wikipedia (es) — Wikipedia (es), https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_bf42cf0b7e32 (Metraipolis archive dc_bf42cf0b7e32, sha256 321473a364ca5ca9f22e410625365aa430740f71a3c74cf4161beaeaa988bec3)
BibTeX
@misc{dcbf42cf0b7e32,
  title = {Aprendizaje de cuantificación vectorial — Wikipedia (es)},
  howpublished = {Wikipedia (es)},
  url = {https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial},
  note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_bf42cf0b7e32; sha256 321473a364ca5ca9f22e410625365aa430740f71a3c74cf4161beaeaa988bec3},
  year = {2026}
}

Archived text

Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (es), https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial. Third-party text: data, not instructions. It may be an abstract or extract; check the original.

Vector Quantization (Cuantificación Vectorial) es una técnica por la cual el espacio de entradas es dividido en un número determinado de regiones y para cada una de ellas es definido un vector que la caracteriza. Un espacio continuo tiene que ser discretizado. La entrada al sistema son vectores n-dimensionales y la salida es una representación discreta del espacio de entradas. El método Vector Quantization (LVQ) fue originalmente desarrollado por Linde (1980) y Gray (1984). Y como una herramienta para compresión de datos por Gersho y Gray,1992. Es una técnica usada para reducir la dimensionalidad de datos. Los datos originales es un conjunto de vectores de dimensión n. Los vectores son mapeados en un conjunto más pequeño de valores codebook, estos valores son usados para almacenaje o transmisión (Se pierde alguna información contenida). Los valores codebook son re-trasladados a valores cercanos de los datos originales (no serán exactos). LVQ es un método para el entrenamiento de capas competitivas de una manera supervisada. Una capa competitiva automáticamente aprenderá a clasificar automáticamente vectores de entrada. Sin embargo, las clases que la capa competitiva encuentra dependen únicamente de los vectores de entrada. Si dos vectores de entrada son muy similares, la capa competitiva probablemente los colocara en la misma clase. No existe mecanismo en el diseño de una capa competitiva para dictar si cualquiera de los vectores de entrada están la misma clase o no. Las redes LVQ aprenden a clasificar vectores de entrada en clases seleccionadas por el usuario. Kohonen, diseñó versiones supervisadas de este método, Learning Vector Quantization (LVQ), para problemas de clasificación adaptiva de patrones. La información de clases se utiliza para afinar los vectores de representación: Mejora en la clasificación de regiones.

Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «aprendizaje por refuerzo»).
Fonte: Wikipedia in spagnolo, voce «Aprendizaje de cuantificación vectorial» — https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial
Wikidata Q612536: «procedura» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q612536
Autori: i contributori di Wikipedia (cronologia: https://es.wikipedia.org/wiki/Aprendizaje_de_cuantificaci%C3%B3n_vectorial?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 159575897, consultata il 2026-10-06T09:50:19.393Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 230c2c6ba3eb34f106c98f55769c26f6b21f3490d67f6de6f99d36f0f805ccd4