- 1. Podporni vektorski stroj (SVM) je algoritem za nadzorovano strojno učenje, ki se pogosto uporablja za naloge klasifikacije in regresije. Cilj SVM je poiskati hiperravnino, ki najbolje razdeli podatkovne točke v različne razrede z jasno mejo med razredi. SVM deluje tako, da vhodne podatke preslika v visokorazsežni prostor lastnosti in poišče optimalno hiperravnino, ki maksimizira maržo med razredi. Ta optimalna hiperploskev se najde z reševanjem optimizacijskega problema, katerega cilj je čim bolj zmanjšati napako klasifikacije in čim bolj povečati razliko. SVM je znan po tem, da je sposoben obravnavati zelo razsežne podatke in zapletene naloge klasifikacije. Učinkovit je tudi pri obravnavi nelinearnih podatkov, saj z uporabo funkcij jedra podatke preslika v bolj razsežen prostor. SVM se zaradi svoje prilagodljivosti, natančnosti in robustnosti pogosto uporablja v različnih aplikacijah, kot so klasifikacija besedil, prepoznavanje slik in bioinformatika.
Za kaj se uporablja podporni vektorski stroj (SVM)?
A) Obdelava slik
B) Urejanje videoposnetkov
C) Klasifikacija in regresija
D) Prepoznavanje govora
- 2. Kakšen je trik jedra pri SVM?
A) Dodajanje šuma v podatke
B) Poenostavitev meje odločanja
C) Odstranjevanje izstopajočih vrednosti
D) Prikazovanje podatkov v večdimenzionalni prostor
- 3. Katero jedro se običajno uporablja v SVM za nelinearno klasifikacijo?
A) Polinomsko jedro
B) Linearno jedro
C) Sigmoidno jedro
D) RBF (radialna osnovna funkcija)
- 4. Kateri optimizacijski algoritem se običajno uporablja pri usposabljanju SVM?
A) Adam
B) Sekvenčna minimalna optimizacija (SMO)
C) Gradientni spust
D) Newtonova metoda
- 5. Kakšna je funkcija izgube, ki se uporablja v SVM?
A) Izguba navzkrižne entropije
B) Izguba tečajev
C) regularizacija L2
D) Srednja kvadratna napaka
- 6. Kaj je parameter regularizacije C v SVM?
A) Parameter jedra
B) Kompromis med stopnjo in napako
C) Število podpornih vektorjev
D) Število dimenzij
- 7. Kakšna je vloga funkcije jedra v SVM?
A) Izračun širine roba
B) Ujemanje vhodnih podatkov v bolj razsežen prostor
C) Izbira podpornih vektorjev
D) Posodabljanje uteži modela
- 8. Za kaj se uporablja trik z jedrom v SVM?
A) Odstranjevanje šuma v podatkih
B) Učinkovito obravnavanje nelinearnih ločljivih podatkov
C) Preprečevanje pretiranega prilagajanja
D) Poenostavitev kompleksnosti modela
|