- 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) Elaborazione delle immagini
C) Riconoscimento vocale
D) Classificazione e regressione
- 2. Qual è il trucco del kernel in SVM?
A) Mappatura dei dati in uno spazio più dimensionale
B) Rimozione dei valori anomali
C) Semplificare il perimetro decisionale
D) Aggiunta di rumore ai dati
- 3. Quale kernel viene comunemente utilizzato in SVM per la classificazione non lineare?
A) Kernel lineare
B) Cernel sigmoideo
C) RBF (funzione base radiale)
D) Kernel polinomiale
- 4. Che cos'è il parametro di regolarizzazione C in SVM?
A) Parametro del kernel
B) Numero di dimensioni
C) Numero di vettori di supporto
D) Trade-off tra margine ed errore
- 5. Qual è la funzione di perdita utilizzata in SVM?
A) Perdita di entropia incrociata
B) Perdita della cerniera
C) Regolarizzazione L2
D) Errore quadratico medio
- 6. Quale algoritmo di ottimizzazione viene comunemente utilizzato nell'addestramento di SVM?
A) Adamo
B) Discesa graduale
C) Ottimizzazione minima sequenziale (SMO)
D) Metodo di Newton
- 7. A cosa serve il trucco del kernel in SVM?
A) Prevenire l'overfitting
B) Gestione efficiente di dati separabili non lineari
C) Eliminazione del rumore nei dati
D) Semplificare la complessità del modello
- 8. Qual è il ruolo della funzione kernel in SVM?
A) Selezione dei vettori di supporto
B) Mappatura dei dati di input in uno spazio più dimensionale
C) Aggiornamento dei pesi del modello
D) Calcolo della larghezza del margine
|