- 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) Classificazione e regressione
B) Montaggio video
C) Elaborazione delle immagini
D) Riconoscimento vocale
- 2. Qual è il trucco del kernel in SVM?
A) Aggiunta di rumore ai dati
B) Rimozione dei valori anomali
C) Semplificare il perimetro decisionale
D) Mappatura dei dati in uno spazio più dimensionale
- 3. Quale kernel viene comunemente utilizzato in SVM per la classificazione non lineare?
A) Kernel lineare
B) RBF (funzione base radiale)
C) Cernel sigmoideo
D) Kernel polinomiale
- 4. Che cos'è il parametro di regolarizzazione C in SVM?
A) Trade-off tra margine ed errore
B) Parametro del kernel
C) Numero di vettori di supporto
D) Numero di dimensioni
- 5. Qual è la funzione di perdita utilizzata in SVM?
A) Regolarizzazione L2
B) Errore quadratico medio
C) Perdita di entropia incrociata
D) Perdita della cerniera
- 6. Quale algoritmo di ottimizzazione viene comunemente utilizzato nell'addestramento di SVM?
A) Metodo di Newton
B) Discesa graduale
C) Ottimizzazione minima sequenziale (SMO)
D) Adamo
- 7. A cosa serve il trucco del kernel in SVM?
A) Eliminazione del rumore nei dati
B) Gestione efficiente di dati separabili non lineari
C) Prevenire l'overfitting
D) Semplificare la complessità del modello
- 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
|