Maszyna wektorów nośnych - Test
- 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) Edycja wideo
B) Rozpoznawanie mowy
C) Klasyfikacja i regresja
D) Przetwarzanie obrazu
- 2. Na czym polega sztuczka z jądrem w SVM?
A) Usuwanie wartości odstających
B) Mapowanie danych do przestrzeni o wyższym wymiarze
C) Uproszczenie granicy decyzji
D) Dodawanie szumu do danych
- 3. Które jądro jest powszechnie używane w SVM do klasyfikacji nieliniowej?
A) Jądro liniowe
B) Jądro sigmoidalne
C) Jądro wielomianowe
D) RBF (radialna funkcja bazowa)
- 4. Do czego służy sztuczka jądra w SVM?
A) Uproszczenie złożoności modelu
B) Efektywna obsługa nieliniowych danych rozłącznych
C) Zapobieganie nadmiernemu dopasowaniu
D) Usuwanie szumu w danych
- 5. Jaka jest rola funkcji jądra w SVM?
A) Mapowanie danych wejściowych do przestrzeni o wyższym wymiarze
B) Aktualizacja wag modelu
C) Obliczanie szerokości marginesu
D) Wybór wektorów podporowych
- 6. Czym jest parametr regularyzacji C w SVM?
A) Liczba wektorów podporowych
B) Liczba wymiarów
C) Kompromis między marginesem a błędem
D) Parametr jądra
- 7. Jaka jest funkcja straty używana w SVM?
A) Utrata zawiasu
B) Regulacja L2
C) Błąd średniokwadratowy
D) Utrata entropii krzyżowej
- 8. Który algorytm optymalizacji jest powszechnie stosowany w uczeniu SVM?
A) Sekwencyjna minimalna optymalizacja (SMO)
B) Metoda Newtona
C) Adam
D) Gradient zejścia
|