Màquina de vectors de suport
- 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) Classificació i regressió
B) Reconeixement de veu
C) Processament d'imatges
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) Mapejar les dades a un espai de dimensions superiors.
D) Eliminar els valors atípics.
- 3. Quin nucli s'utilitza habitualment en les màquines de vectors de suport (SVM) per a la classificació no lineal?
A) Nucli polinòmic
B) Nucli sigmoidal
C) Nucli lineal
D) Nucli RBF (funció de base radial)
- 4. Quin és el paper de la funció kernel en les màquines de vectors de suport (SVM)?
A) Seleccionar els vectors de suport.
B) Actualitzar els pesos del model.
C) Calcular l'amplada del marge.
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) Pèrdua de bisagra (hinge loss)
C) Regularització L2
D) Error quadràtic mitjà
- 6. Què és el paràmetre de regularització C en les màquines de vectors de suport (SVM)?
A) Nombre de dimensions.
B) Compromís entre el marge i l'error.
C) Nombre de vectors de suport.
D) Paràmetre del nucli.
- 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) Simplificar la complexitat del model.
D) Eliminar el soroll de les dades.
- 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
|