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