- 1. Eine Support-Vektor-Maschine (SVM) ist ein überwachter Algorithmus für maschinelles Lernen, der häufig für Klassifizierungs- und Regressionsaufgaben verwendet wird. Das Ziel der SVM ist es, die Hyperebene zu finden, die die Datenpunkte am besten in verschiedene Klassen trennt, wobei ein klarer Abstand zwischen den Klassen besteht. SVM funktioniert, indem die Eingabedaten in einen hochdimensionalen Merkmalsraum abgebildet werden und die optimale Hyperebene gefunden wird, die den Abstand zwischen den Klassen maximiert. Diese optimale Hyperebene wird durch die Lösung eines Optimierungsproblems gefunden, das darauf abzielt, den Klassifizierungsfehler zu minimieren und die Spanne zu maximieren. Die SVM ist bekannt für ihre Fähigkeit, hochdimensionale Daten und komplexe Klassifizierungsaufgaben zu bewältigen. Sie ist auch effektiv im Umgang mit nicht-linearen Daten, indem sie Kernel-Funktionen verwendet, um die Daten in einen höher-dimensionalen Raum abzubilden. Die SVM wird aufgrund ihrer Flexibilität, Genauigkeit und Robustheit in verschiedenen Anwendungen wie der Textklassifizierung, Bilderkennung und Bioinformatik eingesetzt.
Wofür wird eine Support Vector Machine (SVM) verwendet?
A) Spracherkennung
B) Bildverarbeitung
C) Klassifizierung und Regression
D) Videobearbeitung
- 2. Was ist der Kernel-Trick bei SVM?
A) Entfernung von Ausreißern
B) Abbildung von Daten im höherdimensionalen Raum
C) Hinzufügen von Rauschen zu den Daten
D) Vereinfachung des Entscheidungsrahmens
- 3. Welcher Kernel wird üblicherweise in SVM für nichtlineare Klassifizierung verwendet?
A) Polynomieller Kernel
B) Linearer Kernel
C) RBF (Radiale Basisfunktion)
D) Sigmoider Kern
- 4. Welche Verlustfunktion wird bei SVM verwendet?
A) Mittlerer quadratischer Fehler
B) L2-Regularisierung
C) Kreuzentropieverlust
D) Verlust des Scharniers
- 5. Wozu dient der Kernel-Trick in der SVM?
A) Effizienter Umgang mit nicht-linear trennbaren Daten
B) Verhinderung von Überanpassung
C) Beseitigung von Rauschen in den Daten
D) Vereinfachung der Modellkomplexität
- 6. Welche Rolle spielt die Kernel-Funktion bei SVM?
A) Auswahl der Stützvektoren
B) Abbildung von Eingabedaten in einem höherdimensionalen Raum
C) Berechnung der Randbreite
D) Aktualisierung der Modellgewichte
- 7. Was ist der Regularisierungsparameter C bei SVM?
A) Anzahl der Dimensionen
B) Anzahl der Stützvektoren
C) Kernel-Parameter
D) Abwägung zwischen Marge und Fehler
- 8. Welcher Optimierungsalgorithmus wird üblicherweise beim SVM-Training verwendet?
A) Newtonsche Methode
B) Gradienter Abstieg
C) Sequentielle minimale Optimierung (SMO)
D) Adam
|