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