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