- 1. Una macchina vettoriale di supporto (SVM) è un algoritmo di apprendimento automatico supervisionato che viene comunemente utilizzato per compiti di classificazione e regressione. L'obiettivo di SVM è trovare l'iperpiano che meglio separa i punti di dati in classi diverse, con un chiaro margine tra le classi. SVM funziona mappando i dati di ingresso in uno spazio di caratteristiche ad alta dimensione e trovando l'iperpiano ottimale che massimizza il margine tra le classi. Questo iperpiano ottimale viene trovato risolvendo un problema di ottimizzazione che mira a minimizzare l'errore di classificazione e a massimizzare il margine. SVM è noto per la sua capacità di gestire dati ad alta dimensionalità e compiti di classificazione complessi. È anche efficace nel trattare dati non lineari utilizzando funzioni kernel per mappare i dati in uno spazio a più alte dimensioni. La SVM è ampiamente utilizzata in varie applicazioni, come la classificazione di testi, il riconoscimento di immagini e la bioinformatica, grazie alla sua flessibilità, accuratezza e robustezza.
A cosa serve una Support Vector Machine (SVM)?
A) Riconoscimento vocale
B) Classificazione e regressione
C) Montaggio video
D) Elaborazione delle immagini
- 2. Qual è il trucco del kernel in SVM?
A) Aggiunta di rumore ai dati
B) Mappatura dei dati in uno spazio più dimensionale
C) Semplificare il perimetro decisionale
D) Rimozione dei valori anomali
- 3. Quale kernel viene comunemente utilizzato in SVM per la classificazione non lineare?
A) Kernel lineare
B) Cernel sigmoideo
C) Kernel polinomiale
D) RBF (funzione base radiale)
- 4. Che cos'è il parametro di regolarizzazione C in SVM?
A) Trade-off tra margine ed errore
B) Numero di dimensioni
C) Numero di vettori di supporto
D) Parametro del kernel
- 5. Qual è la funzione di perdita utilizzata in SVM?
A) Perdita di entropia incrociata
B) Regolarizzazione L2
C) Errore quadratico medio
D) Perdita della cerniera
- 6. Quale algoritmo di ottimizzazione viene comunemente utilizzato nell'addestramento di SVM?
A) Metodo di Newton
B) Ottimizzazione minima sequenziale (SMO)
C) Adamo
D) Discesa graduale
- 7. A cosa serve il trucco del kernel in SVM?
A) Semplificare la complessità del modello
B) Gestione efficiente di dati separabili non lineari
C) Prevenire l'overfitting
D) Eliminazione del rumore nei dati
- 8. Qual è il ruolo della funzione kernel in SVM?
A) Selezione dei vettori di supporto
B) Aggiornamento dei pesi del modello
C) Mappatura dei dati di input in uno spazio più dimensionale
D) Calcolo della larghezza del margine
|