- 1. Una màquina de vectors de suport (SVM) és un algorisme d'aprenentatge automàtic supervisat que s'utilitza habitualment per a tasques de classificació i regressió. L'objectiu de la SVM és trobar l'hiperplà que separa millor els punts de dades en diferents classes, amb un marge clar entre les classes. La SVM funciona mapejant les dades d'entrada en un espai de característiques d'alta dimensió i trobant l'hiperplà òptim que maximitza el marge entre les classes. Aquest hiperplà òptim es troba resolent un problema d'optimització que té com a objectiu minimitzar l'error de classificació i maximitzar el marge. La SVM és coneguda per la seva capacitat per gestionar dades d'alta dimensió i tasques de classificació complexes. També és eficaç per tractar dades no lineals, utilitzant funcions kernel per mapejar les dades a un espai de dimensions superiors. La SVM s'utilitza àmpliament en diverses aplicacions, com ara la classificació de text, el reconeixement d'imatges i la bioinformàtica, a causa de la seva flexibilitat, precisió i robustesa.
Quin ús té una màquina de vectors de suport (SVM)?
A) Reconeixement de veu
B) Processament d'imatges
C) Classificació i regressió
D) Edició de vídeo
- 2. Què és el 'kernel trick' en els SVM?
A) Afegir soroll a les dades.
B) Simplificar el límit de decisió.
C) Eliminar els valors atípics.
D) Mapejar les dades a un espai de dimensions superiors.
- 3. Quin nucli s'utilitza habitualment en les màquines de vectors de suport (SVM) per a la classificació no lineal?
A) Nucli sigmoidal
B) Nucli RBF (funció de base radial)
C) Nucli lineal
D) Nucli polinòmic
- 4. Quin és el paper de la funció kernel en les màquines de vectors de suport (SVM)?
A) Seleccionar els vectors de suport.
B) Calcular l'amplada del marge.
C) Actualitzar els pesos del model.
D) Mapejar les dades d'entrada a un espai de dimensions superiors.
- 5. Quina és la funció de pèrdua utilitzada en les màquines de vectors de suport (SVM)?
A) Pèrdua d'entropia creuada
B) Regularització L2
C) Error quadràtic mitjà
D) Pèrdua de bisagra (hinge loss)
- 6. Què és el paràmetre de regularització C en les màquines de vectors de suport (SVM)?
A) Nombre de vectors de suport.
B) Compromís entre el marge i l'error.
C) Paràmetre del nucli.
D) Nombre de dimensions.
- 7. Què serveix el truc del kernel en les màquines de vectors de suport (SVM)?
A) Evitar el sobreajustament (overfitting).
B) Gestionar de manera eficient dades no lineals que no es poden separar fàcilment.
C) Eliminar el soroll de les dades.
D) Simplificar la complexitat del model.
- 8. Quin algorisme d'optimització s'utilitza habitualment en l'entrenament de màquines de vectors de suport (SVM)?
A) Descens de gradient
B) Adam
C) Optimització seqüencial mínima (SMO)
D) Mètode de Newton
|