- 1. Una macchina vettoriale di supporto (SVM) è un algoritmo di apprendimento automatico supervisionato che viene comunemente utilizzato per compiti di classificazione e regressione. L'obiettivo di SVM è trovare l'iperpiano che meglio separa i punti di dati in classi diverse, con un chiaro margine tra le classi. SVM funziona mappando i dati di ingresso in uno spazio di caratteristiche ad alta dimensione e trovando l'iperpiano ottimale che massimizza il margine tra le classi. Questo iperpiano ottimale viene trovato risolvendo un problema di ottimizzazione che mira a minimizzare l'errore di classificazione e a massimizzare il margine. SVM è noto per la sua capacità di gestire dati ad alta dimensionalità e compiti di classificazione complessi. È anche efficace nel trattare dati non lineari utilizzando funzioni kernel per mappare i dati in uno spazio a più alte dimensioni. La SVM è ampiamente utilizzata in varie applicazioni, come la classificazione di testi, il riconoscimento di immagini e la bioinformatica, grazie alla sua flessibilità, accuratezza e robustezza.
A cosa serve una Support Vector Machine (SVM)?
A) Montaggio video
B) Classificazione e regressione
C) Riconoscimento vocale
D) Elaborazione delle immagini
- 2. Qual è il trucco del kernel in SVM?
A) Aggiunta di rumore ai dati
B) Semplificare il perimetro decisionale
C) Rimozione dei valori anomali
D) Mappatura dei dati in uno spazio più dimensionale
- 3. Quale kernel viene comunemente utilizzato in SVM per la classificazione non lineare?
A) Kernel lineare
B) Kernel polinomiale
C) RBF (funzione base radiale)
D) Cernel sigmoideo
- 4. Quale algoritmo di ottimizzazione viene comunemente utilizzato nell'addestramento di SVM?
A) Metodo di Newton
B) Ottimizzazione minima sequenziale (SMO)
C) Discesa graduale
D) Adamo
- 5. Qual è il ruolo della funzione kernel in SVM?
A) Mappatura dei dati di input in uno spazio più dimensionale
B) Aggiornamento dei pesi del modello
C) Selezione dei vettori di supporto
D) Calcolo della larghezza del margine
- 6. A cosa serve il trucco del kernel in SVM?
A) Prevenire l'overfitting
B) Eliminazione del rumore nei dati
C) Gestione efficiente di dati separabili non lineari
D) Semplificare la complessità del modello
- 7. Qual è la funzione di perdita utilizzata in SVM?
A) Errore quadratico medio
B) Regolarizzazione L2
C) Perdita di entropia incrociata
D) Perdita della cerniera
- 8. Che cos'è il parametro di regolarizzazione C in SVM?
A) Numero di vettori di supporto
B) Numero di dimensioni
C) Trade-off tra margine ed errore
D) Parametro del kernel
|