- 1. Uma máquina de vectores de suporte (SVM) é um algoritmo de aprendizagem automática supervisionada que é normalmente utilizado para tarefas de classificação e regressão. O objetivo do SVM é encontrar o hiperplano que melhor separa os pontos de dados em classes diferentes, com uma margem clara entre as classes. O SVM funciona mapeando os dados de entrada num espaço de caraterísticas de elevada dimensão e encontrando o hiperplano ótimo que maximiza a margem entre as classes. Este hiperplano ótimo é encontrado através da resolução de um problema de otimização que visa minimizar o erro de classificação e maximizar a margem. O SVM é conhecido pela sua capacidade de lidar com dados de elevada dimensão e tarefas de classificação complexas. Também é eficaz no tratamento de dados não lineares, utilizando funções de kernel para mapear os dados num espaço de dimensão superior. O SVM é amplamente utilizado em várias aplicações, como classificação de texto, reconhecimento de imagem e bioinformática, devido à sua flexibilidade, precisão e robustez.
Para que é utilizada uma Máquina de Vectores de Suporte (SVM)?
A) Classificação e regressão
B) Edição de vídeo
C) Reconhecimento de voz
D) Processamento de imagens
- 2. Qual é o truque do kernel no SVM?
A) Remoção de valores anómalos
B) Mapeamento de dados num espaço de dimensão superior
C) Simplificar a fronteira de decisão
D) Adicionar ruído aos dados
- 3. Que kernel é normalmente utilizado em SVM para classificação não linear?
A) RBF (Função de base radial)
B) Núcleo polinomial
C) Núcleo sigmoide
D) Núcleo linear
- 4. Qual é o papel da função kernel na SVM?
A) Seleção de vectores de apoio
B) Mapeamento dos dados de entrada num espaço de dimensão superior
C) Atualização dos pesos do modelo
D) Calcular a largura da margem
- 5. O que é o parâmetro de regularização C no SVM?
A) Compensação entre margem e erro
B) Número de dimensões
C) Número de vectores de apoio
D) Parâmetro do kernel
- 6. Que algoritmo de otimização é normalmente utilizado no treino de SVM?
A) Método de Newton
B) Otimização Sequencial Mínima (SMO)
C) Descida de gradiente
D) Adão
- 7. Qual é a função de perda utilizada no SVM?
A) Perda da dobradiça
B) Regularização L2
C) Perda de entropia cruzada
D) Erro médio quadrático
- 8. Para que é utilizado o truque do kernel no SVM?
A) Remoção de ruído nos dados
B) Simplificar a complexidade do modelo
C) Tratamento eficiente de dados separáveis não lineares
D) Evitar o sobreajuste
|