- 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) Hinzufügen von Rauschen zu den Daten
B) Vereinfachung des Entscheidungsrahmens
C) Entfernung von Ausreißern
D) Abbildung von Daten im höherdimensionalen Raum
- 3. Welcher Kernel wird üblicherweise in SVM für nichtlineare Klassifizierung verwendet?
A) Polynomieller Kernel
B) Sigmoider Kern
C) Linearer Kernel
D) RBF (Radiale Basisfunktion)
- 4. Welche Verlustfunktion wird bei SVM verwendet?
A) Mittlerer quadratischer Fehler
B) Kreuzentropieverlust
C) Verlust des Scharniers
D) L2-Regularisierung
- 5. Wozu dient der Kernel-Trick in der SVM?
A) Vereinfachung der Modellkomplexität
B) Beseitigung von Rauschen in den Daten
C) Effizienter Umgang mit nicht-linear trennbaren Daten
D) Verhinderung von Überanpassung
- 6. Welche Rolle spielt die Kernel-Funktion bei SVM?
A) Abbildung von Eingabedaten in einem höherdimensionalen Raum
B) Berechnung der Randbreite
C) Aktualisierung der Modellgewichte
D) Auswahl der Stützvektoren
- 7. Was ist der Regularisierungsparameter C bei SVM?
A) Abwägung zwischen Marge und Fehler
B) Anzahl der Stützvektoren
C) Kernel-Parameter
D) Anzahl der Dimensionen
- 8. Welcher Optimierungsalgorithmus wird üblicherweise beim SVM-Training verwendet?
A) Sequentielle minimale Optimierung (SMO)
B) Gradienter Abstieg
C) Newtonsche Methode
D) Adam
|