- 1. Una máquina de vectores soporte (SVM) es un algoritmo de aprendizaje automático supervisado que se utiliza habitualmente para tareas de clasificación y regresión. El objetivo de la SVM es encontrar el hiperplano que mejor separa los puntos de datos en clases diferentes, con un margen claro entre las clases. SVM trabaja mapeando los datos de entrada en un espacio de características de alta dimensión y encontrando el hiperplano óptimo que maximiza el margen entre las clases. Este hiperplano óptimo se encuentra resolviendo un problema de optimización cuyo objetivo es minimizar el error de clasificación y maximizar el margen. La SVM es conocida por su capacidad para manejar datos de alta dimensión y tareas de clasificación complejas. También es eficaz en el tratamiento de datos no lineales mediante el uso de funciones de núcleo para mapear los datos en un espacio de mayor dimensión. La SVM se utiliza ampliamente en diversas aplicaciones, como la clasificación de textos, el reconocimiento de imágenes y la bioinformática, debido a su flexibilidad, precisión y robustez.
¿Para qué se utiliza una máquina de vectores soporte (SVM)?
A) Tratamiento de imágenes
B) Reconocimiento de voz
C) Edición de vídeo
D) Clasificación y regresión
- 2. ¿Cuál es el truco del kernel en SVM?
A) Añadir ruido a los datos
B) Eliminación de valores atípicos
C) Cartografía de datos en un espacio de mayor dimensión
D) Simplificar el límite de decisión
- 3. ¿Qué kernel se utiliza habitualmente en SVM para la clasificación no lineal?
A) Núcleo sigmoide
B) RBF (función de base radial)
C) Núcleo polinómico
D) Núcleo lineal
- 4. ¿Cuál es el papel de la función kernel en la SVM?
A) Actualización de las ponderaciones del modelo
B) Calcular la anchura del margen
C) Mapeo de los datos de entrada en un espacio de mayor dimensión
D) Selección de vectores soporte
- 5. ¿Cuál es la función de pérdida utilizada en SVM?
A) Error cuadrático medio
B) Pérdida de bisagras
C) Pérdida de entropía cruzada
D) Regularización L2
- 6. ¿Qué algoritmo de optimización se utiliza habitualmente en el entrenamiento de SVM?
A) Adam
B) Optimización mínima secuencial (SMO)
C) Método Newton
D) Descenso gradual
- 7. ¿Qué es el parámetro de regularización C en SVM?
A) Número de vectores soporte
B) Número de dimensiones
C) Compromiso entre margen y error
D) Parámetro del núcleo
- 8. ¿Para qué sirve el truco del kernel en SVM?
A) Eliminar el ruido de los datos
B) Simplificar la complejidad del modelo
C) Evitar el sobreajuste
D) Tratamiento eficaz de datos separables no lineales
|