- 1. Una máquina de vectores soporte (SVM) es un algoritmo de aprendizaje automático supervisado que se utiliza habitualmente para tareas de clasificación y regresión. El objetivo de la SVM es encontrar el hiperplano que mejor separa los puntos de datos en clases diferentes, con un margen claro entre las clases. SVM trabaja mapeando los datos de entrada en un espacio de características de alta dimensión y encontrando el hiperplano óptimo que maximiza el margen entre las clases. Este hiperplano óptimo se encuentra resolviendo un problema de optimización cuyo objetivo es minimizar el error de clasificación y maximizar el margen. La SVM es conocida por su capacidad para manejar datos de alta dimensión y tareas de clasificación complejas. También es eficaz en el tratamiento de datos no lineales mediante el uso de funciones de núcleo para mapear los datos en un espacio de mayor dimensión. La SVM se utiliza ampliamente en diversas aplicaciones, como la clasificación de textos, el reconocimiento de imágenes y la bioinformática, debido a su flexibilidad, precisión y robustez.
¿Para qué se utiliza una máquina de vectores soporte (SVM)?
A) Reconocimiento de voz
B) Edición de vídeo
C) Tratamiento de imágenes
D) Clasificación y regresión
- 2. ¿Cuál es el truco del kernel en SVM?
A) Simplificar el límite de decisión
B) Cartografía de datos en un espacio de mayor dimensión
C) Añadir ruido a los datos
D) Eliminación de valores atípicos
- 3. ¿Qué kernel se utiliza habitualmente en SVM para la clasificación no lineal?
A) Núcleo sigmoide
B) Núcleo polinómico
C) RBF (función de base radial)
D) Núcleo lineal
- 4. ¿Qué es el parámetro de regularización C en SVM?
A) Número de dimensiones
B) Número de vectores soporte
C) Compromiso entre margen y error
D) Parámetro del núcleo
- 5. ¿Cuál es la función de pérdida utilizada en SVM?
A) Pérdida de bisagras
B) Pérdida de entropía cruzada
C) Error cuadrático medio
D) Regularización L2
- 6. ¿Qué algoritmo de optimización se utiliza habitualmente en el entrenamiento de SVM?
A) Método Newton
B) Adam
C) Descenso gradual
D) Optimización mínima secuencial (SMO)
- 7. ¿Para qué sirve el truco del kernel en SVM?
A) Eliminar el ruido de los datos
B) Tratamiento eficaz de datos separables no lineales
C) Simplificar la complejidad del modelo
D) Evitar el sobreajuste
- 8. ¿Cuál es el papel de la función kernel en la SVM?
A) Mapeo de los datos de entrada en un espacio de mayor dimensión
B) Selección de vectores soporte
C) Calcular la anchura del margen
D) Actualización de las ponderaciones del modelo
|