SVM Flashcards
Quais são as principais características do SVM?
Possui sólida fundamentação teórica e pode alcançar alto desempenho em aplicações práticas.
O que envolve o treinamento de uma SVM?
Envolve a otimização de uma função quadrática convexa e o ajuste de poucos parâmetros livres.
Qual é o objetivo do SVM em um problema de classificação?
Encontrar um hiperplano que maximize a margem de separação entre as classes.
O que são vetores de suporte?
São os pontos de dados que estão na margem de separação e ajudam a definir o hiperplano.
Como funciona o kernel trick no SVM?
Transforma dados de baixa dimensionalidade em alta dimensionalidade para tornar problemas não linearmente separáveis em linearmente separáveis.
Quais são os principais tipos de funções kernel?
Kernel linear, kernel RBF (Radial Basis Function) e kernel polinomial.
Qual é o uso do kernel linear?
Adequado para dados que podem ser separados por uma reta.
Qual é o uso do kernel RBF?
Flexível, adequado para dados que não podem ser separados por uma reta.
Qual é o uso do kernel polinomial (grau 3)?
Muito flexível, adequado para dados com relações não lineares complexas.
Quais são as vantagens do SVM?
Pode ser aplicado a uma ampla gama de problemas, é especialmente eficaz para dados não lineares e é relativamente eficiente em termos de memória.
Quais são as desvantagens do SVM?
Pode ser lento para treinar em grandes conjuntos de dados, difícil de ajustar os hiperparâmetros, não fornece estimativas de probabilidade diretamente e é sensível ao overfitting.
