- 1. Maszyna wektorów nośnych (SVM) to nadzorowany algorytm uczenia maszynowego, który jest powszechnie używany do zadań klasyfikacji i regresji. Celem SVM jest znalezienie hiperpłaszczyzny, która najlepiej dzieli punkty danych na różne klasy, z wyraźnym marginesem między klasami. SVM działa poprzez mapowanie danych wejściowych do wielowymiarowej przestrzeni cech i znalezienie optymalnej hiperpłaszczyzny, która maksymalizuje margines między klasami. Ta optymalna hiperpłaszczyzna jest znajdowana poprzez rozwiązanie problemu optymalizacji, który ma na celu zminimalizowanie błędu klasyfikacji i zmaksymalizowanie marginesu. SVM jest znana ze swojej zdolności do radzenia sobie z wysokowymiarowymi danymi i złożonymi zadaniami klasyfikacyjnymi. Jest również skuteczny w radzeniu sobie z danymi nieliniowymi, wykorzystując funkcje jądra do mapowania danych w przestrzeni o wyższym wymiarze. SVM jest szeroko stosowana w różnych aplikacjach, takich jak klasyfikacja tekstu, rozpoznawanie obrazów i bioinformatyka, ze względu na jej elastyczność, dokładność i niezawodność.
Do czego służy maszyna wektorów nośnych (SVM)?
A) Rozpoznawanie mowy
B) Edycja wideo
C) Przetwarzanie obrazu
D) Klasyfikacja i regresja
- 2. Na czym polega sztuczka z jądrem w SVM?
A) Usuwanie wartości odstających
B) Dodawanie szumu do danych
C) Mapowanie danych do przestrzeni o wyższym wymiarze
D) Uproszczenie granicy decyzji
- 3. Które jądro jest powszechnie używane w SVM do klasyfikacji nieliniowej?
A) Jądro sigmoidalne
B) Jądro wielomianowe
C) RBF (radialna funkcja bazowa)
D) Jądro liniowe
- 4. Do czego służy sztuczka jądra w SVM?
A) Uproszczenie złożoności modelu
B) Efektywna obsługa nieliniowych danych rozłącznych
C) Usuwanie szumu w danych
D) Zapobieganie nadmiernemu dopasowaniu
- 5. Jaka jest rola funkcji jądra w SVM?
A) Aktualizacja wag modelu
B) Wybór wektorów podporowych
C) Obliczanie szerokości marginesu
D) Mapowanie danych wejściowych do przestrzeni o wyższym wymiarze
- 6. Czym jest parametr regularyzacji C w SVM?
A) Parametr jądra
B) Liczba wymiarów
C) Liczba wektorów podporowych
D) Kompromis między marginesem a błędem
- 7. Jaka jest funkcja straty używana w SVM?
A) Utrata entropii krzyżowej
B) Regulacja L2
C) Utrata zawiasu
D) Błąd średniokwadratowy
- 8. Który algorytm optymalizacji jest powszechnie stosowany w uczeniu SVM?
A) Metoda Newtona
B) Sekwencyjna minimalna optymalizacja (SMO)
C) Gradient zejścia
D) Adam
|