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