LVQ可以表示为一组码本向量的集合。在开始的时候进行随机选择，通过多轮学习算法的迭代，最后得到与训练数据集最相配的结果。通过学习，码本向量可以像K最近邻算法那样进行预测。通过计算新数据样本与码本向量之间的距离找到最相似的邻居（最符合码本向量）。将最佳的分类值（或回归问题中的实数值）返回作为预测值。如果你将数据调整到相同的尺度，比如0和1，则可以得到最好的结果。如果你发现对于数据集，KNN有较好的效果，可以尝试一下LVQ来减少存储整个数据集对存储空间的依赖。
6.1.8 支持向量机
支持向量机（SVM）可能是最常用并且最常被谈到的机器学习算法。超平面是一条划分输入变量空间的线。在SVM中，选择一个超平面，它能最好地将输入变量空间划分为不同的类，要么是0，要么是1。在二维情况下，可以将它看作一根线，并假设所有输入点都被这根线完全分开。SVM通过学习算法找到最能完成类划分的超平面的一组参数。如图6-9所示为支持向量机的例子。
第6章 机器学习算法
169