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