- 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) Prepoznavanje govora
B) Klasifikacija in regresija
C) Obdelava slik
D) Urejanje videoposnetkov
- 2. Kakšen je trik jedra pri SVM?
A) Prikazovanje podatkov v večdimenzionalni prostor
B) Poenostavitev meje odločanja
C) Dodajanje šuma v podatke
D) Odstranjevanje izstopajočih vrednosti
- 3. Katero jedro se običajno uporablja v SVM za nelinearno klasifikacijo?
A) Linearno jedro
B) RBF (radialna osnovna funkcija)
C) Polinomsko jedro
D) Sigmoidno jedro
- 4. Kateri optimizacijski algoritem se običajno uporablja pri usposabljanju SVM?
A) Sekvenčna minimalna optimizacija (SMO)
B) Adam
C) Gradientni spust
D) Newtonova metoda
- 5. Kakšna je funkcija izgube, ki se uporablja v SVM?
A) Izguba tečajev
B) regularizacija L2
C) Izguba navzkrižne entropije
D) Srednja kvadratna napaka
- 6. Kaj je parameter regularizacije C v SVM?
A) Parameter jedra
B) Število dimenzij
C) Kompromis med stopnjo in napako
D) Število podpornih vektorjev
- 7. Kakšna je vloga funkcije jedra v SVM?
A) Izračun širine roba
B) Posodabljanje uteži modela
C) Ujemanje vhodnih podatkov v bolj razsežen prostor
D) Izbira podpornih vektorjev
- 8. Za kaj se uporablja trik z jedrom v SVM?
A) Preprečevanje pretiranega prilagajanja
B) Učinkovito obravnavanje nelinearnih ločljivih podatkov
C) Poenostavitev kompleksnosti modela
D) Odstranjevanje šuma v podatkih
|