- 1. Uma máquina de vectores de suporte (SVM) é um algoritmo de aprendizagem automática supervisionada que é normalmente utilizado para tarefas de classificação e regressão. O objetivo do SVM é encontrar o hiperplano que melhor separa os pontos de dados em classes diferentes, com uma margem clara entre as classes. O SVM funciona mapeando os dados de entrada num espaço de caraterísticas de elevada dimensão e encontrando o hiperplano ótimo que maximiza a margem entre as classes. Este hiperplano ótimo é encontrado através da resolução de um problema de otimização que visa minimizar o erro de classificação e maximizar a margem. O SVM é conhecido pela sua capacidade de lidar com dados de elevada dimensão e tarefas de classificação complexas. Também é eficaz no tratamento de dados não lineares, utilizando funções de kernel para mapear os dados num espaço de dimensão superior. O SVM é amplamente utilizado em várias aplicações, como classificação de texto, reconhecimento de imagem e bioinformática, devido à sua flexibilidade, precisão e robustez.
Para que é utilizada uma Máquina de Vectores de Suporte (SVM)?
A) Processamento de imagens
B) Reconhecimento de voz
C) Edição de vídeo
D) Classificação e regressão
- 2. Qual é o truque do kernel no SVM?
A) Mapeamento de dados num espaço de dimensão superior
B) Remoção de valores anómalos
C) Simplificar a fronteira de decisão
D) Adicionar ruído aos dados
- 3. Que kernel é normalmente utilizado em SVM para classificação não linear?
A) Núcleo linear
B) RBF (Função de base radial)
C) Núcleo sigmoide
D) Núcleo polinomial
- 4. Qual é a função de perda utilizada no SVM?
A) Erro médio quadrático
B) Regularização L2
C) Perda de entropia cruzada
D) Perda da dobradiça
- 5. O que é o parâmetro de regularização C no SVM?
A) Número de dimensões
B) Parâmetro do kernel
C) Compensação entre margem e erro
D) Número de vectores de apoio
- 6. Para que é utilizado o truque do kernel no SVM?
A) Simplificar a complexidade do modelo
B) Tratamento eficiente de dados separáveis não lineares
C) Remoção de ruído nos dados
D) Evitar o sobreajuste
- 7. Qual é o papel da função kernel na SVM?
A) Seleção de vectores de apoio
B) Atualização dos pesos do modelo
C) Mapeamento dos dados de entrada num espaço de dimensão superior
D) Calcular a largura da margem
- 8. Que algoritmo de otimização é normalmente utilizado no treino de SVM?
A) Descida de gradiente
B) Método de Newton
C) Otimização Sequencial Mínima (SMO)
D) Adão
|