- 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) Edição de vídeo
B) Processamento de imagens
C) Reconhecimento de voz
D) Classificação e regressão
- 2. Qual é o truque do kernel no SVM?
A) Adicionar ruído aos dados
B) Simplificar a fronteira de decisão
C) Mapeamento de dados num espaço de dimensão superior
D) Remoção de valores anómalos
- 3. Que kernel é normalmente utilizado em SVM para classificação não linear?
A) Núcleo polinomial
B) RBF (Função de base radial)
C) Núcleo linear
D) Núcleo sigmoide
- 4. O que é o parâmetro de regularização C no SVM?
A) Número de vectores de apoio
B) Número de dimensões
C) Compensação entre margem e erro
D) Parâmetro do kernel
- 5. Qual é a função de perda utilizada no SVM?
A) Perda da dobradiça
B) Erro médio quadrático
C) Regularização L2
D) Perda de entropia cruzada
- 6. Que algoritmo de otimização é normalmente utilizado no treino de SVM?
A) Adão
B) Método de Newton
C) Descida de gradiente
D) Otimização Sequencial Mínima (SMO)
- 7. Para que é utilizado o truque do kernel no SVM?
A) Simplificar a complexidade do modelo
B) Evitar o sobreajuste
C) Tratamento eficiente de dados separáveis não lineares
D) Remoção de ruído nos dados
- 8. Qual é o papel da função kernel na SVM?
A) Calcular a largura da margem
B) Atualização dos pesos do modelo
C) Mapeamento dos dados de entrada num espaço de dimensão superior
D) Seleção de vectores de apoio
|