- 1. Bir destek vektör makinesi (DVM), sınıflandırma ve regresyon görevleri için yaygın olarak kullanılan denetimli bir makine öğrenimi algoritmasıdır. DVM'nin amacı, veri noktalarını sınıflar arasında net bir marj ile farklı sınıflara en iyi şekilde ayıran hiper düzlemi bulmaktır. DVM, giriş verilerini yüksek boyutlu bir özellik uzayına eşleyerek ve sınıflar arasındaki marjı en üst düzeye çıkaran optimum hiper düzlemi bularak çalışır. Bu optimum hiper düzlem, sınıflandırma hatasını en aza indirmeyi ve marjı en üst düzeye çıkarmayı amaçlayan bir optimizasyon problemi çözülerek bulunur. DVM, yüksek boyutlu verileri ve karmaşık sınıflandırma görevlerini ele alma becerisiyle bilinir. Ayrıca, verileri daha yüksek boyutlu bir uzaya eşlemek için çekirdek işlevlerini kullanarak doğrusal olmayan verilerle başa çıkmada da etkilidir. SVM esnekliği, doğruluğu ve sağlamlığı nedeniyle metin sınıflandırma, görüntü tanıma ve biyoinformatik gibi çeşitli uygulamalarda yaygın olarak kullanılmaktadır.
Destek Vektör Makinesi (DVM) ne için kullanılır?
A) Konuşma tanıma
B) Görüntü işleme
C) Sınıflandırma ve regresyon
D) Video düzenleme
- 2. DVM'de çekirdek hilesi nedir?
A) Verileri daha yüksek boyutlu uzaya eşleme
B) Verilere gürültü ekleme
C) Aykırı değerleri kaldırma
D) Karar sınırının basitleştirilmesi
- 3. Doğrusal olmayan sınıflandırma için DVM'de yaygın olarak hangi çekirdek kullanılır?
A) Doğrusal çekirdek
B) Polinom çekirdeği
C) RBF (Radyal Taban Fonksiyonu)
D) Sigmoid çekirdek
- 4. DVM eğitiminde yaygın olarak hangi optimizasyon algoritması kullanılır?
A) Sıralı Minimal Optimizasyon (SMO)
B) Newton'un Yöntemi
C) Gradyan İniş
D) Adam
- 5. DVM'de kullanılan kayıp fonksiyonu nedir?
A) Menteşe kaybı
B) Çapraz entropi kaybı
C) Ortalama karesel hata
D) L2 düzenlemesi
- 6. DVM'deki çekirdek hilesi ne için kullanılır?
A) Aşırı uyumun önlenmesi
B) Verilerdeki gürültüyü giderme
C) Doğrusal olmayan ayrılabilir verilerin verimli bir şekilde işlenmesi
D) Model karmaşıklığının basitleştirilmesi
- 7. SVM'de çekirdek fonksiyonunun rolü nedir?
A) Kenar boşluğu genişliğini hesaplama
B) Model ağırlıklarının güncellenmesi
C) Giriş verilerini daha yüksek boyutlu bir uzaya eşleme
D) Destek vektörlerinin seçilmesi
- 8. DVM'de düzenlilik parametresi C nedir?
A) Çekirdek parametresi
B) Boyut sayısı
C) Destek vektörlerinin sayısı
D) Marj ve hata arasındaki denge
|