Podporni vektorski stroj - Test
- 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) Urejanje videoposnetkov
C) Prepoznavanje govora
D) Obdelava slik
- 2. Kakšen je trik jedra pri SVM?
A) Dodajanje šuma v podatke
B) Prikazovanje podatkov v večdimenzionalni prostor
C) Poenostavitev meje odločanja
D) Odstranjevanje izstopajočih vrednosti
- 3. Katero jedro se običajno uporablja v SVM za nelinearno klasifikacijo?
A) RBF (radialna osnovna funkcija)
B) Linearno jedro
C) Polinomsko jedro
D) Sigmoidno jedro
- 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) Kompromis med stopnjo in napako
B) Število podpornih vektorjev
C) Parameter jedra
D) Število dimenzij
- 7. Kakšna je vloga funkcije jedra v SVM?
A) Posodabljanje uteži modela
B) Izračun širine roba
C) Izbira podpornih vektorjev
D) Ujemanje vhodnih podatkov v bolj razsežen prostor
- 8. Za kaj se uporablja trik z jedrom v SVM?
A) Odstranjevanje šuma v podatkih
B) Poenostavitev kompleksnosti modela
C) Učinkovito obravnavanje nelinearnih ločljivih podatkov
D) Preprečevanje pretiranega prilagajanja
|