Podporni vektorski stroj - Izpit
- 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) Prepoznavanje govora
C) Urejanje videoposnetkov
D) Klasifikacija in regresija
- 2. Kakšen je trik jedra pri SVM?
A) Poenostavitev meje odločanja
B) Dodajanje šuma v podatke
C) Odstranjevanje izstopajočih vrednosti
D) Prikazovanje podatkov v večdimenzionalni prostor
- 3. Katero jedro se običajno uporablja v SVM za nelinearno klasifikacijo?
A) RBF (radialna osnovna funkcija)
B) Linearno jedro
C) Sigmoidno jedro
D) Polinomsko jedro
- 4. Kateri optimizacijski algoritem se običajno uporablja pri usposabljanju SVM?
A) Newtonova metoda
B) Sekvenčna minimalna optimizacija (SMO)
C) Gradientni spust
D) Adam
- 5. Kakšna je funkcija izgube, ki se uporablja v SVM?
A) regularizacija L2
B) Izguba navzkrižne entropije
C) Srednja kvadratna napaka
D) Izguba tečajev
- 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) Poenostavitev kompleksnosti modela
B) Preprečevanje pretiranega prilagajanja
C) Učinkovito obravnavanje nelinearnih ločljivih podatkov
D) Odstranjevanje šuma v podatkih
|