- 1. A támogatási vektorgép (SVM) egy felügyelt gépi tanulási algoritmus, amelyet általában osztályozási és regressziós feladatokra használnak. Az SVM célja, hogy megtalálja azt a hipersíkot, amely az adatpontokat a legjobban szétválasztja különböző osztályokba, az osztályok közötti egyértelmű különbséggel. Az SVM úgy működik, hogy a bemeneti adatokat egy nagydimenziós jellemzőtérbe képezi le, és megtalálja azt az optimális hipersíkot, amely maximalizálja az osztályok közötti margót. Ezt az optimális hipersíkot egy optimalizálási probléma megoldásával találjuk meg, amelynek célja az osztályozási hiba minimalizálása és a margó maximalizálása. Az SVM ismert arról, hogy képes kezelni a nagydimenziós adatokat és az összetett osztályozási feladatokat. Hatékonyan kezeli a nemlineáris adatokat is, mivel kernelfüggvényeket használ az adatok magasabb dimenziós térbe való leképezéséhez. Az SVM-et rugalmasságának, pontosságának és robusztusságának köszönhetően széles körben használják különböző alkalmazásokban, például szövegosztályozásban, képfelismerésben és bioinformatikában.
Mire használják a támogató vektor gépet (SVM)?
A) Beszédfelismerés
B) Osztályozás és regresszió
C) Képfeldolgozás
D) Videó szerkesztés
- 2. Mi a kernel trükk az SVM-ben?
A) A döntési határvonal egyszerűsítése
B) Zaj hozzáadása az adatokhoz
C) Kiugró értékek eltávolítása
D) Az adatok leképezése magasabb dimenziós térbe
- 3. Melyik kernelt használják általában az SVM-ben a nem lineáris osztályozáshoz?
A) Polinomiális kernel
B) Szigmoid mag
C) Lineáris kernel
D) RBF (Radial Basis Function)
- 4. Mi a C regularizációs paraméter az SVM-ben?
A) Kompromisszum az árrés és a hiba között
B) Kernel paraméter
C) Méretek száma
D) Támogató vektorok száma
- 5. Mi az SVM-ben használt veszteségfüggvény?
A) Csuklóveszteség
B) L2 regularizáció
C) Átlagos négyzetes hiba
D) Kereszt-entrópia veszteség
- 6. Melyik optimalizációs algoritmust használják általában az SVM képzésben?
A) Newton-módszer
B) Fokozatos ereszkedés
C) Szekvenciális minimális optimalizálás (SMO)
D) Adam
- 7. Mire használják a kernel trükköt az SVM-ben?
A) A modell összetettségének egyszerűsítése
B) A zaj eltávolítása az adatokból
C) A túlillesztés megelőzése
D) Nem lineárisan szeparálható adatok hatékony kezelése
- 8. Mi a szerepe a kernelfüggvénynek az SVM-ben?
A) A modell súlyainak frissítése
B) A margó szélességének kiszámítása
C) A bemeneti adatok leképezése egy magasabb dimenziós térbe
D) Támogató vektorok kiválasztása
|