As máquinas de vetores de suporte (SVM) são um conjunto de
métodos de aprendizado usados para tratar problemas de
classificação, regressão e detecção de outliers. Considerando as
vantagens e desvantagens do uso do SVM no python 3.0 através
da biblioteca scikit learn (versão 1.7.2), avalie se as afirmativas a
seguir são verdadeiras (V) ou falsas (F).( ) Como vantagem, as SVM são eficazes em espaços de alta
dimensionalidade e eficaz nos casos em que o número de
dimensões é maior que o número de amostras.
( ) Como desvantagem, as SVM utilizam um subconjunto de
pontos de treinamento na função de decisão, sendo, portanto,
sendo pouco eficiente em termos de uso de memória.
( ) Como desvantagem, se o número de características for muito
maior que o número de amostras, evitar o sobreajuste na
escolha das funções Kernel e do termo de regularização é
crucial.
( ) Como vantagem, as SVMs fornecem estimativas de
probabilidade diretamente; estas são calculadas usando uma
validação cruzada de muitas partes que é um processo
dispendioso.
As afirmativas são, respectivamente,

Question

As máquinas de vetores de suporte (SVM) são um conjunto de
métodos de aprendizado usados para tratar problemas de
classificação, regressão e detecção de outliers. Considerando as
vantagens e desvantagens do uso do SVM no python 3.0 através
da biblioteca scikit learn (versão 1.7.2), avalie se as afirmativas a
seguir são verdadeiras (V) ou falsas (F).( ) Como vantagem, as SVM são eficazes em espaços de alta
dimensionalidade e eficaz nos casos em que o número de
dimensões é maior que o número de amostras.
( ) Como desvantagem, as SVM utilizam um subconjunto de
pontos de treinamento na função de decisão, sendo, portanto,
sendo pouco eficiente em termos de uso de memória.
( ) Como desvantagem, se o número de características for muito
maior que o número de amostras, evitar o sobreajuste na
escolha das funções Kernel e do termo de regularização é
crucial.
( ) Como vantagem, as SVMs fornecem estimativas de
probabilidade diretamente; estas são calculadas usando uma
validação cruzada de muitas partes que é um processo
dispendioso.
As afirmativas são, respectivamente, Alternativa A: V – V – V – F. Ou Alternativa B: V – F – V – F. Ou Alternativa C: V – V – F – V. Ou Alternativa D: F – V – F – V. Ou Alternativa E: F – V – F – F.

Eliliane Bezerra · Accepted Answer

Alternativa [B] V – F – V – F. Gabarito: B) V – F – V – F1) Verdadeira (V)SVM é muito eficaz em alta dimensionalidade e também quando há mais atributos (features) do que amostras, situação comum em PLN e bioinformática.2) Falsa (F)O SVM utiliza apenas os vetores de suporte na função de decisão. Isso é considerado uma vantagem, pois tende a ser mais eficiente em memória, e não menos eficiente.3) Verdadeira (V)Quando o número de características é muito maior que o número de amostras, a escolha do kernel, do parâmetro C (regularização) e de outros hiperparâmetros é crucial para evitar overfitting.4) Falsa (F)O SVM não fornece probabilidades diretamente. Para obter probabilidades no Scikit-Learn é necessário habilitar probability=True, o que envolve validação cruzada adicional e aumenta o custo computacional.Macete para provaVantagens do SVMAlta dimensionalidade.Funciona bem com poucos exemplos e muitas variáveis.Usa vetores de suporte.Pode usar kernels para problemas não lineares.Desvantagens do SVMEscolha do kernel é crítica.Sensível aos hiperparâmetros.Treinamento pode ser lento em bases grandes.Não fornece probabilidades diretamente.

🚀 Quer mais performance?

🚀 Quer mais performance?

As máquinas de vetores de suporte (SVM) são um conjunto de ...

Comentários

Clique para visualizar este comentário

Questões de assuntos semelhantes

Provas relacionadas