Machine à vecteur de support
- 1. Une machine à vecteurs de support (SVM) est un algorithme d'apprentissage automatique supervisé couramment utilisé pour les tâches de classification et de régression. L'objectif du SVM est de trouver l'hyperplan qui sépare le mieux les points de données en différentes classes, avec une marge claire entre les classes. Le SVM fonctionne en cartographiant les données d'entrée dans un espace de caractéristiques à haute dimension et en trouvant l'hyperplan optimal qui maximise la marge entre les classes. Cet hyperplan optimal est trouvé en résolvant un problème d'optimisation qui vise à minimiser l'erreur de classification et à maximiser la marge. Les SVM sont connus pour leur capacité à traiter des données de haute dimension et des tâches de classification complexes. Il est également efficace pour traiter les données non linéaires en utilisant des fonctions de noyau pour cartographier les données dans un espace de dimension supérieure. Les SVM sont largement utilisés dans diverses applications telles que la classification de textes, la reconnaissance d'images et la bio-informatique en raison de leur flexibilité, de leur précision et de leur robustesse.
À quoi sert une machine à vecteurs de support (SVM) ?
A) Montage vidéo
B) Classification et régression
C) Reconnaissance vocale
D) Traitement des images
- 2. Qu'est-ce que l'astuce du noyau dans les SVM ?
A) Ajouter du bruit aux données
B) Suppression des valeurs aberrantes
C) Cartographie des données dans un espace à plus haute dimension
D) Simplifier la frontière décisionnelle
- 3. Quel noyau est généralement utilisé dans les SVM pour la classification non linéaire ?
A) Noyau sigmoïde
B) Noyau linéaire
C) RBF (Fonction de base radiale)
D) Noyau polynomial
- 4. Qu'est-ce que le paramètre de régularisation C dans les SVM ?
A) Nombre de vecteurs de soutien
B) Nombre de dimensions
C) Paramètre du noyau
D) Compromis entre marge et erreur
- 5. Quelle est la fonction de perte utilisée dans les SVM ?
A) Régularisation L2
B) Perte d'entropie croisée
C) Perte de charnière
D) Erreur quadratique moyenne
- 6. Quel algorithme d'optimisation est couramment utilisé pour l'apprentissage des SVM ?
A) Descente en gradient
B) Optimisation minimale séquentielle (OMS)
C) Méthode de Newton
D) Adam
- 7. À quoi sert l'astuce du noyau dans les SVM ?
A) Élimination du bruit dans les données
B) Prévenir le surajustement
C) Traitement efficace des données séparables non linéaires
D) Simplifier la complexité du modèle
- 8. Quel est le rôle de la fonction noyau dans les SVM ?
A) Cartographie des données d'entrée dans un espace à plus haute dimension
B) Sélection des vecteurs de soutien
C) Mise à jour des pondérations du modèle
D) Calcul de la largeur des marges
|