- 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) Klasifikacija in regresija
B) Prepoznavanje govora
C) Urejanje videoposnetkov
D) Obdelava slik
- 2. Kakšen je trik jedra pri SVM?
A) Prikazovanje podatkov v večdimenzionalni prostor
B) Dodajanje šuma v podatke
C) Odstranjevanje izstopajočih vrednosti
D) Poenostavitev meje odločanja
- 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) Newtonova metoda
B) Adam
C) Sekvenčna minimalna optimizacija (SMO)
D) Gradientni spust
- 5. Kakšna je funkcija izgube, ki se uporablja v SVM?
A) Srednja kvadratna napaka
B) regularizacija L2
C) Izguba navzkrižne entropije
D) Izguba tečajev
- 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) Poenostavitev kompleksnosti modela
B) Preprečevanje pretiranega prilagajanja
C) Odstranjevanje šuma v podatkih
D) Učinkovito obravnavanje nelinearnih ločljivih podatkov
|