- 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) Osztályozás és regresszió
B) Képfeldolgozás
C) Videó szerkesztés
D) Beszédfelismerés
- 2. Mi a kernel trükk az SVM-ben?
A) Az adatok leképezése magasabb dimenziós térbe
B) Kiugró értékek eltávolítása
C) Zaj hozzáadása az adatokhoz
D) A döntési határvonal egyszerűsítése
- 3. Melyik kernelt használják általában az SVM-ben a nem lineáris osztályozáshoz?
A) Lineáris kernel
B) Szigmoid mag
C) RBF (Radial Basis Function)
D) Polinomiális kernel
- 4. Mi a C regularizációs paraméter az SVM-ben?
A) Kompromisszum az árrés és a hiba között
B) Méretek száma
C) Támogató vektorok száma
D) Kernel paraméter
- 5. Mi az SVM-ben használt veszteségfüggvény?
A) Kereszt-entrópia veszteség
B) Csuklóveszteség
C) Átlagos négyzetes hiba
D) L2 regularizáció
- 6. Melyik optimalizációs algoritmust használják általában az SVM képzésben?
A) Adam
B) Newton-módszer
C) Szekvenciális minimális optimalizálás (SMO)
D) Fokozatos ereszkedés
- 7. Mire használják a kernel trükköt az SVM-ben?
A) Nem lineárisan szeparálható adatok hatékony kezelése
B) A túlillesztés megelőzése
C) A zaj eltávolítása az adatokból
D) A modell összetettségének egyszerűsítése
- 8. Mi a szerepe a kernelfüggvénynek az SVM-ben?
A) A margó szélességének kiszámítása
B) Támogató vektorok kiválasztása
C) A modell súlyainak frissítése
D) A bemeneti adatok leképezése egy magasabb dimenziós térbe
|