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