Support-Vektor-Maschinen: Quizfragen und Lernmaterialien

Question 1

Welche zwei Hyperparameter können bei der Optimierung von Support-Vektor-Maschinen angepasst werden?

Accepted Answer

Kerneltyp

Accepted Answer

Regularisierungsparameter C

Answer

Anzahl der Stützvektoren

Answer

Batchgröße

Question 2

Der Kernel-Trick in Support-Vektor-Maschinen (SVM) dient dazu:

Accepted Answer

Nicht linear trennbare Daten durch Abbildung in einen höherdimensionalen Raum klassifizierbar zu machen.

Answer

Die Berechnung von Abständen zwischen Datenpunkten zu beschleunigen.

Question 3

Welcher Parameter steuert die Regularisierung in einem SVM-Modell?

Accepted Answer

C

Answer

Bias

Answer

Grad

Answer

Gamma

Question 4

Was ist das Ziel der Hyperparameteroptimierung bei SVM?

Accepted Answer

Ermittlung der optimalen Kombination von Kernel- und Regularisierungsparametern zur Verbesserung der Modellleistung.

Answer

Reduzierung der Überanpassung des Modells.

Question 5

Welche Kernelfunktion eignet sich für nichtlineare Klassifizierungsprobleme in SVM?

Accepted Answer

Radialbasisfunktion (RBF)

Answer

Sigmoid-Kernelfunktion

Answer

Lineare Kernelfunktion

Answer

Polynom-Kernelfunktion

Question 6

Welcher Algorithmus wird verwendet, um die Stützvektoren in einem SVM-Modell zu identifizieren?

Accepted Answer

Quadratische Optimierung

Answer

Entscheidungsbäume

Answer

K-Means-Clustering

Answer

Neuronale Netze

Question 7

Welcher Hauptvorteil unterscheidet SVM von anderen Klassifizierungsalgorithmen?

Accepted Answer

Robustheit gegenüber Überanpassung und gute Generalisierungsfähigkeit.

Answer

Hohe Interpretierbarkeit

Answer

Schnelle Trainingszeit

Question 8

Was ist der Hauptzweck der Verwendung weicher Ränder in einem SVM-Modell?

Accepted Answer

Zulassen einiger Fehlklassifizierungen zur Verbesserung der Gesamtgeneralisierungsfähigkeit.

Answer

Reduzierung der Anzahl der Stützvektoren

Answer

Beschleunigung des Trainingsprozesses

Question 9

Welche Aussage zum Dualitätsprinzip in SVM ist korrekt?

Accepted Answer

Ermöglicht die Lösung des SVM-Optimierungsproblems in einem niedrigerdimensionalen Raum.

Answer

Verbessert die Interpretierbarkeit des Modells.

Answer

Reduziert die Trainingszeit des Modells.

Question 10

Welche Methode wird zur Bestimmung optimaler Hyperparameter für Support-Vektor-Maschinen verwendet?

Accepted Answer

Kreuzvalidierung

Answer

Manuelle Abstimmung

Answer

Zufallsauswahl

Question 11

Welche Metrik wird häufig zur Bewertung der Leistung von Support-Vektor-Maschinen verwendet?

Accepted Answer

F1-Score

Answer

Quadratischer mittlerer Fehler

Answer

Mittlerer absoluter Fehler

Question 12

Welche Dimensionalisierungsreduktionstechnik kann für die Vorverarbeitung von Daten vor der Verwendung mit Support-Vektor-Maschinen eingesetzt werden?

Accepted Answer

Hauptachsenanalyse

Answer

Clusteranalyse

Answer

Diskriminanzanalyse

Answer

Regressionsanalyse

Question 13

Was ist das primäre Optimierungsziel beim Training einer Support-Vektor-Maschine?

Accepted Answer

Maximierung des Abstands zwischen der Trennfläche und den Stützvektoren

Answer

Maximierung der Gesamtklassifizierungsgenauigkeit

Answer

Minimierung der Anzahl falsch klassifizierter Datenpunkte

Question 14

In welchem Anwendungsbereich sind Support-Vektor-Maschinen besonders effektiv?

Accepted Answer

Bilderkennung

Answer

Clustering

Answer

Sprachübersetzung

Answer

Sentimentanalyse

Question 15

Was ist der Zweck der Slack-Variable in der Formulierung der Support-Vektor-Maschine?

Accepted Answer

Sie erlaubt einigen Datenpunkten, die Trennfläche zu verletzen, um eine bessere Klassifizierung zu ermöglichen

Answer

Sie misst den Abstand zwischen Datenpunkten und der Trennfläche

Answer

Sie steuert die Anzahl der Stützvektoren

Question 16

Welche Aussage beschreibt die Eigenschaften des hyperbolischen Tangens-Kernels am treffendsten?

Accepted Answer

Er kann nichtlineare Trennflächen lernen, ist aber empfindlicher gegenüber Rauschen als der Gaußsche Kernel

Answer

Er kann lineare Trennflächen lernen und ist robust gegenüber Rauschen

Question 17

Welche Technik eignet sich zur Verhinderung von Überanpassung in Support-Vektor-Maschinen?

Accepted Answer

Regularisierung

Answer

Bagging

Answer

Stacking

Answer

Boosting

Question 18

Welche der folgenden Aussagen beschreibt korrekt das Ziel von Support-Vektor-Maschinen?

Accepted Answer

Datenpunkte mit einer Entscheidungsfläche mit maximalem Abstand zu den nächstgelegenen Datenpunkten zu trennen.

Answer

Datenpunkte anhand einer hyperbolischen Entscheidungsfläche zu trennen.

Question 19

Welcher Hyperparameter steuert die Komplexität des Modells in Support-Vektor-Maschinen?

Accepted Answer

Regularisierungsparameter C

Answer

Lernrate α

Answer

Anzahl der Epochen

Question 20

Welches Kriterium wird verwendet, um die beste Trennlinie in Support-Vektor-Maschinen zu finden?

Accepted Answer

Maximierung der Marge

Answer

Maximierung der Genauigkeit

Answer

Minimierung der Varianz

Question 21

Welcher Vorteil ergibt sich aus der Verwendung von Support-Vektor-Maschinen in Szenarien mit hohem Dimensionsraum?

Accepted Answer

Sie sind weniger anfällig für den Fluch der Dimensionalität.

Answer

Sie erfordern weniger Rechenleistung.

Question 22

Wie wird der Stützkernvektor in Support-Vektor-Maschinen definiert?

Accepted Answer

Datenpunkte, die die Marge unterstützen und die Entscheidungsgrenze festlegen.

Answer

Datenpunkte, die falsch klassifiziert wurden.

Question 23

Welches ist das primäre Ziel einer Support-Vektor-Maschine (SVM)?

Accepted Answer

Eine trennende Hyperebene zu finden, die den maximalen Abstand zu den Datenpunkten aufweist.

Answer

Cluster von Datenpunkten zu identifizieren.

Answer

Den Abstand zwischen den Datenpunkten zu minimieren.

Question 24

Welche Art von Klassifikationsverfahren verwenden lineare SVMs?

Accepted Answer

Lineare Trennung

Answer

Entscheidungsbäume

Answer

Nichtlineare Trennung

Question 25

Welche Kernelfunktion wird häufig in nichtlinearen SVMs verwendet?

Accepted Answer

Gaußscher Kernel

Answer

Linearer Kernel

Answer

Sigmoidal-Kernel

Question 26

Welcher Parameter steuert das Ausmaß der Toleranz für falsch klassifizierte Datenpunkte in SVMs?

Accepted Answer

C

Answer

Gamma

Answer

Lambda

Answer

Epsilon

Question 27

Welcher Hauptunterschied besteht zwischen harten und weichen Margen in SVMs?

Accepted Answer

Harte Margen erlauben keine falsch klassifizierten Datenpunkte, während weiche Margen sie mit einer gewissen Toleranz zulassen.

Answer

Harte Margen verwenden lineare Kerne, während weiche Margen nichtlineare Kerne verwenden.

Question 28

Welche Aussage über SVMs ist falsch?

Accepted Answer

Sie können Daten immer perfekt trennen.

Answer

Sie können für Multi-Label-Klassifikationsaufgaben verwendet werden.

Answer

Sie sind nichtparametrische Modelle.

Question 29

Welche der folgenden Aussagen beschreibt am besten das Hauptziel einer Support-Vektor-Maschine (SVM)?

Accepted Answer

Eine Hyperebene zu finden, die die Datenpunkte mit dem größtmöglichen Abstand voneinander trennt.

Answer

Eine gerade Linie zu finden, die durch alle Datenpunkte verläuft.

Answer

Eine Kurve zu finden, die den Datenpunkten am besten passt.

Question 30

Welcher Hyperparameter steuert den Kompromiss zwischen der Minimierung von Fehlklassifizierungen und dem Maximieren des Abstands zum Trennhyperplan?

Accepted Answer

C

Answer

gamma

Answer

tau

Answer

epsilon

Question 31

Welcher Algorithmus wird zur Lösung des Optimierungsproblems in SVM verwendet?

Accepted Answer

Quadratische Programmierung

Answer

K-Means-Clustering

Answer

Lineare Regression

Answer

Entscheidungsbäume

Question 32

Welcher Vorteil unterscheidet SVMs von anderen Klassifikationsalgorithmen?

Accepted Answer

Resistenz gegen Überanpassung

Answer

Keine Notwendigkeit für Feature-Skalierung

Answer

Immer lineare Trennbarkeit

Question 33

Welches Hauptziel verfolgt die Hyperparameteroptimierung in SVM?

Accepted Answer

Maximierung der SVM-Leistung auf einem separaten Testsatz

Answer

Verringerung der Fehlklassifizierungskosten

Answer

Minimierung der Anzahl von Stützvektoren

Question 34

Was ist das primäre Ziel einer Support-Vektor-Maschine (SVM)?

Accepted Answer

Datenpunkte in zwei Klassen zu unterteilen und dabei eine Entscheidungsfläche zu erstellen

Answer

Kontinuierliche Werte vorherzusagen

Answer

Muster in Daten zu identifizieren

Question 35

Welche Hyperparameter sind essentiell für die Optimierung einer Support-Vektor-Maschine (SVM)?

Accepted Answer

Kernelfunktion und Regularisierungsparameter

Answer

Tiefe und Breite des Entscheidungsbaums

Answer

Partitionsaufteilung und Abbruchbedingung

Answer

Lernrate und Anzahl der Iterationen

Question 36

Welcher Parameter kontrolliert den Kompromiss zwischen Modellkomplexität und Überanpassung in einer SVM?

Accepted Answer

Regularisierungsparameter

Answer

Merkmalsextraktion

Answer

Kernelparameter

Answer

Optimierungsalgorithmus

Question 37

Welche Metrik wird häufig zur Beurteilung der Effizienz von SVMs eingesetzt?

Accepted Answer

Genauigkeit

Answer

Logistische Verlustfunktion

Answer

Quadratischer mittlerer Fehler

Answer

Mittlerer absoluter Fehler

Question 38

Was bezeichnet man als Stützmuster in einer SVM?

Accepted Answer

Datenpunkte, die auf der Entscheidungsfläche liegen

Answer

Datenpunkte, die außerhalb der Stützhyperebenen liegen

Answer

Fehlklassifizierte Datenpunkte

Question 39

Welchen Vorteil bietet eine nichtlineare SVM gegenüber einer linearen SVM?

Accepted Answer

Kann komplexere Datenstrukturen modellieren

Answer

Ist schneller zu trainieren

Answer

Ist weniger anfällig für Überanpassung

Answer

Benötigt weniger Trainingsdaten

Question 40

Für welche Anwendung eignen sich SVMs besonders gut?

Accepted Answer

Bildklassifikation

Answer

Zeitreihenanalyse

Answer

Clustering

Answer

Regression

Question 41

Welche der folgenden Aussagen über Support-Vektor-Maschinen (SVMs) ist **falsch**?

Accepted Answer

SVMs sind am besten für Regressionsprobleme geeignet.

Answer

SVMs können sowohl lineare als auch nichtlineare Klassifikationsprobleme lösen.

Answer

Support-Vektoren sind die Datenpunkte, die den Abstand zur Entscheidungsfläche definieren.

Question 42

Welche der folgenden Kernel-Funktionen ist **nicht** für SVMs geeignet?

Accepted Answer

Lineare Regression

Answer

Polynomialer Kernel

Answer

Sigmoid Kernel

Answer

Radial Basis Function (RBF) Kernel

Question 43

Was ist der Hauptzweck der Regularisierung in SVMs?

Accepted Answer

Überanpassung (Overfitting) zu verhindern.

Answer

Die Trainingszeit zu verkürzen.

Answer

Die Sensitivität gegenüber verrauschten Daten zu erhöhen.

Answer

Die Anzahl der Support-Vektoren zu minimieren.

Question 44

Welche der folgenden Hyperparameter beeinflussen die Leistung einer SVM?

Accepted Answer

Alle genannten Optionen.

Answer

Kernel-Parameter (z.B. Gamma für RBF)

Answer

Regularisierungsparameter (C)

Answer

Grad des Polynomialen Kernels

Question 45

Wie wird die optimale Hyperparameter-Konfiguration für eine SVM typischerweise gefunden?

Accepted Answer

Durch Grid Search oder Kreuzvalidierung.

Answer

Durch eine einfache Optimierungsmethode wie Gradientenabstieg.

Answer

Durch manuelle Einstellung basierend auf Intuition.

Answer

Durch die Verwendung eines Standard-Hyperparameter-Sets.

Question 46

Wie funktioniert die Soft-Margin-Klassifikation in SVMs?

Accepted Answer

Sie erlaubt es, dass einige Datenpunkte innerhalb der Margin liegen, um Überanpassung zu vermeiden.

Answer

Sie verwendet nur Support-Vektoren, die sich auf der falschen Seite der Margin befinden.

Answer

Sie trennt die Klassen strikt mit einer geraden Linie.

Question 47

Welches Konzept wird bei SVMs verwendet, um nichtlineare Daten zu klassifizieren?

Accepted Answer

Kernel-Tricks

Answer

Lineare Regression

Answer

Neuronale Netze

Answer

Entscheidungsbäume

Question 48

Welche der folgenden Anwendungen ist **nicht** typisch für SVMs?

Accepted Answer

Sprachübersetzung

Answer

Bilderkennung

Answer

Spam-Filterung

Question 49

Welche der folgenden Aussagen über Support-Vektor-Maschinen (SVMs) ist **falsch**?

Accepted Answer

SVMs sind nur für lineare Klassifikationsprobleme geeignet.

Answer

SVMs suchen nach der optimalen Trennlinie, die den größten Abstand zu den Trainingsdaten hat.

Answer

Support-Vektoren sind die Trainingsdatenpunkte, die die Trennlinie am nächsten liegen.

Question 50

Welche Kernel-Funktion wird typischerweise für lineare Klassifikation mit SVMs verwendet?

Accepted Answer

Linearer Kernel

Answer

Polynomialer Kernel

Answer

Sigmoid Kernel

Answer

Radial Basis Function (RBF) Kernel

Question 51

Beschreiben Sie den Ansatz der Soft-Margin-Klassifikation in Support-Vektor-Maschinen (SVMs).

Accepted Answer

Einführung einer Penalty-Funktion zur Berücksichtigung von falsch klassifizierten Datenpunkten und Ermöglichung einer gewissen Toleranz gegenüber Fehlklassifizierungen.

Answer

Verwendung eines linearen Kernels zur Trennung der Datenpunkte.

Answer

Reduzierung der Anzahl der Support-Vektoren zur Vereinfachung des Modells.

Question 52

Welche der folgenden Techniken ist für die Optimierung der Hyperparameter einer Support-Vektor-Maschine (SVM) geeignet?

Accepted Answer

Kreuzvalidierung

Answer

Gradientenabstieg

Answer

K-Means-Clustering

Answer

Lineare Regression

Question 53

Inwiefern können Support-Vektor-Maschinen (SVMs) im Bereich Gesichtserkennung eingesetzt werden?

Accepted Answer

SVMs können die Unterscheidung zwischen Bildern mit Gesichtern und ohne Gesichtern ermöglichen.

Answer

SVMs sind ausschließlich für die Verarbeitung von Textdaten geeignet.

Answer

SVMs sind nur in der Lage, lineare Muster in Bildern zu erkennen.

Question 54

Welche Eigenschaft beschreibt die Entscheidungsfläche einer Support-Vektor-Maschine (SVM) typischerweise?

Accepted Answer

Linear oder nichtlinear, abhängig von der gewählten Kernel-Funktion.

Answer

Immer nichtlinear, unabhängig von der Kernel-Funktion.

Answer

Immer linear, unabhängig von der Kernel-Funktion.

Question 55

Nennen Sie den Hauptvorteil der Verwendung von Kernel-Funktionen in Support-Vektor-Maschinen (SVMs).

Accepted Answer

Ermöglichung der Anwendung von SVMs auf nichtlineare Probleme durch Abbildung der Daten in höherdimensionale Räume.

Answer

Erhöhung der Anzahl der Support-Vektoren im Modell.

Answer

Reduzierung der Rechenzeit während der Trainingsphase.

Question 56

Beschreiben Sie die primäre Aufgabe von Support-Vektor-Maschinen (SVMs).

Accepted Answer

SVMs sind Algorithmen, die eine optimale Trennfläche zwischen Datenpunkten verschiedener Klassen finden und zur Klassifizierung verwendet werden.

Answer

SVMs sind Regressionsalgorithmen, die Beziehungen zwischen unabhängigen und abhängigen Variablen modellieren.

Question 57

Erläutern Sie die Rolle von Kernel-Funktionen in Support-Vektor-Maschinen (SVMs).

Accepted Answer

Kernel-Funktionen ermöglichen die Projektion von Daten in höherdimensionale Räume, um nichtlineare Trennflächen zu erzeugen.

Answer

Kernel-Funktionen bestimmen die Anzahl der Supportvektoren in einem SVM-Modell.

Question 58

Welcher Parameter beeinflusst die Komplexität eines Support-Vektor-Maschinen (SVM)-Modells?

Accepted Answer

Regularisierungsparameter (C)

Answer

Anzahl der Klassen im Datensatz

Answer

Anzahl der Supportvektoren

Answer

Anzahl der Trainingspunkte

Question 59

Welche Metriken können zur Bewertung der Effektivität eines Support-Vektor-Maschinen (SVM)-Modells herangezogen werden?

Accepted Answer

Genauigkeit, Präzision, Rückruf und F1-Score

Answer

Mittlere quadratische Abweichung

Answer

R-Quadrat

Answer

Silhouetten-Koeffizient

Question 60

Welche Methode ist geeignet, um die optimalen Hyperparameter für ein Support-Vektor-Maschinen (SVM)-Modell zu ermitteln?

Accepted Answer

Kreuzvalidierung

Answer

Lineare Regression

Answer

Hauptkomponentenanalyse (PCA)

Answer

K-Means-Clustering

Question 61

Welcher der folgenden Kernels ist am besten geeignet für die Klassifizierung von Daten, die nicht linear trennbar sind?

Accepted Answer

Radial Basis Function (RBF)-Kernel

Answer

Linearer Kernel

Answer

Sigmoid-Kernel

Answer

Polynomialer Kernel

Question 62

Welche der folgenden Eigenschaften beschreibt einen Supportvektor?

Accepted Answer

Ein Datenpunkt, der die optimale Trennlinie definiert.

Answer

Ein Datenpunkt, der am weitesten von allen anderen Datenpunkten entfernt liegt.

Answer

Ein Datenpunkt, der der durchschnittlichen Distanz zu allen anderen Datenpunkten am nächsten liegt.

Question 63

Welche der folgenden Aussagen ist korrekt bezüglich des Regularisierungs-Parameters (C) in SVMs?

Accepted Answer

Ein höherer C-Wert führt zu einer geringeren Regularisierung und einer stärkeren Anpassung an die Trainingsdaten.

Answer

Ein höherer C-Wert führt zu einer stärkeren Regularisierung und einer geringeren Anpassung an die Trainingsdaten.

Question 64

Wie kann die Komplexität eines SVM-Modells reduziert werden?

Accepted Answer

Durch die Auswahl eines kleineren Regularisierungs-Parameters (C)

Answer

Durch die Verwendung eines komplexeren Kernels

Answer

Durch die Erhöhung der Anzahl der Trainingsbeispiele