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.

Qconcursos · Accepted Answer

Alternativa [B] V – F – V – F. Gabarito: BFundamento decisivo: Era preciso confrontar as vantagens e limitações atribuídas às SVM com a documentação do scikit-learn. As afirmações sobre eficiência de memória e fornecimento direto de probabilidades são as decisivas para identificar a alternativa B.Tema central: Vantagens e limitações das SVMAnálise das alternativasAErradaErra apenas a afirmativa II: ela é falsa, pois o uso de um subconjunto de pontos na função de decisão é apresentado como eficiência de memória, e não como ineficiência.BCertaA alternativa B respeita os quatro critérios documentados. I é verdadeira porque SVM são eficazes em espaços de alta dimensionalidade, inclusive quando há mais dimensões que amostras. II é falsa porque utilizar um subconjunto dos pontos de treinamento na função de decisão constitui vantagem de eficiência de memória, não desvantagem. III é verdadeira porque, quando as características são muito mais numerosas que as amostras, a escolha do kernel e do termo de regularização exige cuidado para evitar sobreajuste. IV é falsa porque as estimativas de probabilidade não são fornecidas diretamente: sua obtenção envolve validação cruzada de cinco partes, um procedimento dispendioso.CErradaErra II, III e IV. II é falsa porque o uso do subconjunto favorece a eficiência de memória. III é verdadeira porque o excesso de características em relação às amostras exige cuidado com kernel e regularização contra sobreajuste. IV é falsa porque probabilidades dependem de estimação adicional por validação cruzada, não de fornecimento direto.DErradaInverte todos os julgamentos. I é verdadeira pela eficácia das SVM em alta dimensionalidade; II é falsa porque usar um subconjunto de pontos é vantagem de memória; III é verdadeira pela necessidade de controlar o sobreajuste quando há muito mais características que amostras; IV é falsa porque as probabilidades não são fornecidas diretamente.EErradaErra I, II e III. A eficácia em alta dimensionalidade torna I verdadeira. A eficiência de memória associada ao subconjunto de pontos torna II falsa. A necessidade de cuidado com kernel e regularização diante de características muito mais numerosas que amostras torna III verdadeira.Pegadinha da questãoII parte de uma informação correta — usar um subconjunto de pontos — e inverte sua consequência para a memória. IV menciona corretamente o custo da validação cruzada, mas afirma incorretamente que as probabilidades são fornecidas diretamente. Além disso, I e III não se contradizem: eficácia em alta dimensionalidade não elimina o risco de sobreajuste.Dica para questões semelhantesAo julgar uma relação de causa e consequência, confira as duas partes: usar um subconjunto de pontos é correto, mas concluir que isso representa ineficiência de memória é incorreto.Separe eficácia em alta dimensionalidade de controle de sobreajuste: quando há muito mais características que amostras, kernel e regularização continuam exigindo cuidado.Diferencie fornecimento direto de probabilidades de estimação por procedimento adicional: nas SVM, a validação cruzada dispendiosa sustenta a segunda situação.

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

Gabarito comentado

Gabarito: B

Clique para visualizar este gabarito

Comentários

Clique para visualizar este comentário

Questões de assuntos semelhantes

Provas relacionadas