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

Próximas questões
Com base no mesmo assunto
Q3880229 Engenharia de Software
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,
Alternativas

Gabarito comentado

Confira o gabarito comentado por um dos nossos professores

Gabarito: B

Fundamento decisivo: A decisão dependia de confrontar cada assertiva com a lista oficial de vantagens e desvantagens do SVM no scikit-learn.

Tema central: vantagens e desvantagens de SVM
Análise das alternativas
A
Errada
Está errada porque considera verdadeira a 2ª assertiva, mas a documentação a trata como vantagem de eficiência de memória, não como desvantagem.
B
Certa
A alternativa B é correta porque a sequência compatível com a documentação é V-F-V-F: a 1ª assertiva descreve vantagens do SVM em alta dimensionalidade; a 2ª inverte a ideia de eficiência de memória, já que usar subconjunto de pontos na decisão é vantagem; a 3ª corresponde a uma desvantagem documentada; e a 4ª é falsa porque SVMs não fornecem probabilidades diretamente.
C
Errada
Está errada porque toma como verdadeiras a 2ª e a 4ª assertivas, ambas incompatíveis com a documentação.
D
Errada
Está errada porque marca a 1ª assertiva como falsa e a 4ª como verdadeira, em desacordo com os itens documentados.
E
Errada
Está errada porque marca a 1ª assertiva como falsa, embora ela reproduza uma vantagem expressa do SVM.
Pegadinha da questão
A questão explora a inversão de uma vantagem de eficiência de memória em desvantagem e a falsa ideia de que SVM fornece probabilidades diretamente.
Dica para questões semelhantes
  • Em questões baseadas em documentação, compare cada frase com a classificação expressa pela fonte.
  • Se a fonte diz que o método usa subconjunto de pontos na decisão, verifique a consequência técnica indicada: eficiência de memória.
  • Em SVM, diferencie probabilidade direta de estimativa indireta com validação cruzada custosa.

Clique para visualizar este gabarito

Visualize o gabarito desta questão clicando no botão abaixo

Comentários

Veja os comentários dos nossos alunos

Gabarito: B) V – F – V – F

1) 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 prova

Vantagens do SVM

Alta dimensionalidade.

Funciona bem com poucos exemplos e muitas variáveis.

Usa vetores de suporte.

Pode usar kernels para problemas não lineares.

Desvantagens do SVM

Escolha do kernel é crítica.

Sensível aos hiperparâmetros.

Treinamento pode ser lento em bases grandes.

Não fornece probabilidades diretamente.

Clique para visualizar este comentário

Visualize os comentários desta questão clicando no botão abaixo