Uvedené postupy adaptace Kohonenovy mapy probíhaly bez učitele. Rozdělení vstupů do jednotlivých shluků bylo dáno pouze adaptační dynamikou sítě. Nicméně často chceme dát nalezeným shlukům určitý význam, nalezené shluky pojmenovat, tedy klasifikovat předkládané vstupy do předem známého počtu pojmenovaných kategorií. K tomu slouží algoritmy učení Kohonenovy mapy s učitelem, nazývané jako LVQ1, LVQ2 a LVQ3 (od Linear Vector Quantization), dle [1].

První fáze učení je pro všechny tři algoritmy shodná a spočívá v aplikaci standardního algoritmu adaptace Kohonenovy mapy, jak byl představen v předchozí kapitole. V této fázi jsou z trénovací množiny použity pouze vstupní vektory příslušné výstupní kategorie nejsou v této fázi použity.

(13)

Po naučení sítě zjistíme, jak síť klasifikuje přes celou trénovací množinu. Pro každý vstupní vektor z trénovací množiny určíme reprezentanta, který je danému vstupu přiřazen. Současně máme k dispozici pro každý ze vstupů korektní kategorii Pro každého reprezentanta tak můžeme určit množinu pojmenovaných kategorií a četnost zařazení vstupů do každé z nich. Na základě údaje o četnosti přiřazení kategorií jednotlivým reprezentantům pojmenujeme reprezentanty tou kategorií, kterou reprezentovali přes trénovací množinu nejčastěji.

Posledním krokem je korekce vah a tedy pozice reprezentantů jedním se zmíněných LVQ algoritmů.

Algoritmus LVQ1 pracuje tak, že síti předkládáme vstup z trénovací množiny a určíme vítěze. Poté vyhodnotíme, zda je klasifikace předloženého vstupu korektní, je tedy určen správný shluk. Následně upravujeme váhy pouze tohoto reprezentanta a to dle vztahu shodného s Soutěživé sítě (12) pro korektně zařazený vstupní vektor

(14)

pro chybně klasifikovaný vstup.

V případě korektní klasifikace tak dochází tedy k přiblížení reprezentanta ke klasifikovanému vzoru, v opačném případě pak naopak dochází k oddálení reprezentanta od chybně klasifikovaného vzoru. LVQ1 provádí pouze korekci pozic nalezených reprezentantů, hodnota by měla být velmi malá, dle [1] mezi 0,01 – 0,02 a měla by se postupně blížit k nule. Uvedený postup vede k vyprázdnění hraničních oblastí mezi sousedními shluky. Nalezená hranice aproximuje bayesovskou rozhodovací hranici a leží uprostřed spojnice mezi reprezentanty různých tříd.

Algoritmus LVQ2 se používá pouze pro několik (tisíc) iterací, protože bylo experimentálně zjištěno, že zpočátku zlepšuje umístění rozhodovací hranice, nicméně po velkém počtu iterací začíná klasifikaci zhoršovat. Opět přiložíme vstup a určíme tentokrát dva vstupu nejbližší neurony - reprezentanty. Musí platit, že jeden z nich klasifikuje korektně a druhý chybně. Dále musí platit, že vstup není příliš blízký žádnému ze dvou reprezentantů, nachází se tedy “ve středu mezi nimi“ v okně, jehož obvyklá šíře je cca 10 -30% vzdálenosti neuronů. Při splnění těchto podmínek následně upravíme oba neurony dle obvyklých vztahů, kdy dle korektnosti klasifikace pak přiblížíme, či naopak oddálíme daný z dvojice neuronů od přeloženého vstupu Soutěživé sítě (12), Soutěživé sítě (14).

Algoritmus LVQ3 je stabilním rozšířením LVQ2. Pracuje stejně jako algoritmus LVQ2, tedy koriguje pozice dvou nejbližších reprezentantů dle LVQ2, Soutěživé sítě (12), Soutěživé sítě (14). Navíc ale ještě provádí úpravu vah korektně klasifikujícícho reprezentanta z vybrané dvojice dle

(15)

Posouvá jej tedy blíže ke korektně klasifikovanému vstupu. Parametr je po dobu adaptace konstantní a je volen v rozmezí 0,1 – 0,5 [1].