Support Vector Machine

Multiple Choice

ข้อใดคือเป้าหมายหลักของอัลกอริทึม Support Vector Machine (SVM) ในการจำแนกข้อมูล?

• หาเส้นแบ่ง (Hyperplane) ที่ทำให้ระยะ Margin ระหว่างสองกลุ่มกว้างที่สุด

• หาค่าเฉลี่ยของข้อมูลทั้งสองกลุ่มแล้วสร้างเส้นแบ่งตรงกลาง

• สร้างโมเดลที่มี Accuracy สูงที่สุดบน Training Data

• ลดจำนวนตัวแปร (Dimensionality Reduction) เพื่อให้ง่ายต่อการวิเคราะห์

Multiple Choice

เหตุผลที่ SVM พยายามหา 'Maximal Margin' หรือขอบเขตที่กว้างที่สุดคืออะไร

• เพื่อให้สามารถใช้กับข้อมูลที่มีจำนวน Feature มาก ๆ ได้เท่านั้น

• เพื่อให้สามารถจำแนกข้อมูลฝึกสอน (Training data) ได้ถูกต้อง 100% เสมอ

• เพื่อให้โมเดลมีความสามารถในการทำนายข้อมูลใหม่ที่ไม่เคยเห็นได้ดีขึ้น (Good Generalization)

• เพื่อให้โมเดลทำงานได้เร็วขึ้นในการฝึกสอน

Multiple Choice

ถ้าข้อมูลมี 2 มิติ (เช่น รายได้, อายุ) เส้นแบ่งเขตการตัดสินใจ (Decision Boundary) หรือ Hyperplane จะมีลักษณะเป็นอย่างไร?

• จุด (Point)

• เส้นตรง (Line)

• ทรงกลม (Sphere)

• ระนาบ (Plane)

Multiple Choice

ถ้าข้อมูลมี 3 มิติ (เช่น คะแนนเครดิต, รายได้, อายุ) เส้นแบ่งเขตการตัดสินใจ (Decision Boundary) หรือ Hyperplane จะมีลักษณะเป็นอย่างไร?

• จุด (Point)

• เส้นตรง (Line)

• ทรงกลม (Sphere)

• ระนาบ (Plane)

Dropdown

เหตุผลที่ Hyperplane สามารถแบ่งพื้นที่ p มิติออกเป็นสองส่วนได้ เนื่องจากสมการ Hyperplane ให้ผลลัพธ์เป็น ​

Select answer

Multiple Choice

ใน SVM, 'Support Vectors' หมายถึงอะไร?

• จุดข้อมูลที่อยู่ใกล้กับเส้นแบ่ง (Hyperplane) มากที่สุดและใช้ในการกำหนดตำแหน่งของเส้นแบ่งนั้น

• จุดข้อมูลทั้งหมดในชุดข้อมูลฝึก (Training Data)

• จุดข้อมูลที่ถูกโมเดลจำแนกผิดพลาด (Misclassified)

• จุดข้อมูลที่อยู่ตรงกลางของแต่ละกลุ่มข้อมูล

Multiple Choice

ข้อใดคือความแตกต่างที่สำคัญที่สุดระหว่าง Hyperplane และ Margin ใน SVM

• ไม่มีความแตกต่าง ทั้งสองคำใช้แทนกันได้

  ยังไม่ใช่

• Hyperplane เป็นเส้นประ ส่วน Margin เป็นเส้นทึบ

• Hyperplane คือเส้นแบ่ง ส่วน Margin คือจุดข้อมูล

• Hyperplane คือเส้นที่ใช้ตัดสินใจในการแบ่งคลาส ส่วน Margin คือระยะห่างจากเส้นนั้นไปยัง Support Vectors

Multiple Choice

ปัญหาการหาค่าที่เหมาะสมที่สุด (Optimization Problem) นี้ ใช้สำหรับการสร้าง Classifier ซึ่งจะได้ผลลัพธ์เป็น Hyperplane แบบ Hard หรือ Soft Margin

• Hard Margin

• Soft Margin

Multiple Choice

ในปัญหา Optimization นี้ การ maximize M หมายถึง การหาค่าเส้นแบ่ง (Hyperplane) ที่มี Margin กว้างที่สุด

• True

• False

Multiple Select

ในปัญหา Optimization นี้ เงื่อนไข (10) มีไว้เพื่ออะไร?

• ป้องกันไม่ให้ตัวแปร β ถูกย่อหรือขยายค่าโดยไม่มีขอบเขต

• ทำให้ข้อมูลทุกจุดอยู่บน ฝั่งที่ถูกต้องของ Hyperplane

• ข้อมูลทุกจุดต้องอยู่ห่างจาก Hyperplane อย่างน้อย M

Multiple Select

ในปัญหา Optimization นี้ เงื่อนไข (11) มีไว้เพื่ออะไร?

• ป้องกันไม่ให้ตัวแปร β ถูกย่อหรือขยายค่าโดยไม่มีขอบเขต

• ทำให้ข้อมูลทุกจุดอยู่บน ฝั่งที่ถูกต้องของ Hyperplane

• ข้อมูลทุกจุดต้องอยู่ห่างจาก Hyperplane อย่างน้อย M

Multiple Choice

ข้อจำกัดของ 'Maximal Margin Classifier' คืออะไร?

• ทำงานได้ไม่ดีกับข้อมูลที่มีมิติสูง (High-dimensional data)

• ไวต่อข้อมูลผิดปกติ (Outliers) ทำให้เส้นแบ่งเปลี่ยนแปลงได้เพียงเพราะข้อมูลจุดเดียว และไม่สามารถใช้กับข้อมูลที่มีการซ้อนทับกันได้เลย

• สามารถใช้กับข้อมูลสามารถถูกแบ่งออกด้วยเส้น/ระนาบเชิงเส้นได้ (Linearly Separable)

• ใช้ข้อมูลทุกจุดในการสร้างเส้นแบ่ง ทำให้คำนวณช้าและซับซ้อน

Multiple Choice

แนวคิดใดที่ถูกพัฒนาขึ้นมาเพื่อแก้ปัญหาข้อจำกัดของ Maximal Margin Classifier ทำให้ SVM สามารถทำงานกับข้อมูลในโลกจริงที่มีความซับซ้อนและไม่สมบูรณ์แบบได้?

• Support Vectors

• Soft Margin Classifier

• Seperating Hyperplane

• Kernel Trick

Multiple Choice

แนวคิดของ 'Soft Margin' ใน Support Vector Classifier ถูกนำมาใช้เพื่อแก้ปัญหาใด?

• เพื่อเพิ่มความเร็วในการฝึกโมเดล

• เพื่อทำให้ Margin มีความกว้างมากที่สุด

• เพื่อยอมให้ข้อมูลบางจุดถูกจำแนกผิดหรือล้ำเข้ามาใน Margin เพื่อให้โมเดลทนทานต่อ Outlier และข้อมูลที่ซ้อนทับกันได้ดีขึ้น

• เพื่อบังคับให้ข้อมูลทุกจุดต้องอยู่ถูกฝั่งของ Hyperplane เสมอ

Multiple Choice

ปัญหา Optimization นี้ใช้สำหรับการสร้าง Classifier ซึ่งจะได้ผลลัพธ์เป็น Hyperplane แบบ Hard หรือ Soft Margin

• Hard Margin

• Soft Margin

Multiple Choice

ในปัญหา Optimization นี้ การ maximize M หมายถึง การหาค่าเส้นแบ่ง (Hyperplane) ที่มี Margin กว้างที่สุด

• True

• False

Multiple Choice

ในปัญหา Optimization นี้ เงื่อนไข (14) อนุญาตให้จุดข้อมูลอยู่ผิดฝั่งของ Margin หรือ Hyperplane ได้เพียงอย่างใดอย่างหนึ่ง

• True

• False

Multiple Choice

จากเงื่อนไข (14) ค่า ϵ_i = 0 หมายถึงจุดข้อมูลนั้นถูกจำแนกถูกต้องและไม่ละเมิด Margin

• True

• False

Multiple Choice

จากเงื่อนไข (14) ค่า ϵ_i > 0 หมายถึงจุดข้อมูลนั้นละเมิด Margin และจำแนกผิด

• True

• False

Multiple Choice

จากเงื่อนไข (14) ค่า 0 < ϵ_i < 1 หมายถึงจุดข้อมูลนั้นถูกจำแนกถูก แต่ละเมิด Margin

• True

• False

Multiple Choice

จากเงื่อนไข (14) ค่า ϵ_i > 1 หมายถึงจุดข้อมูลนั้นถูกจำแนกผิด และละเมิด Margin

• True

• False

Multiple Choice

ถ้าพารามิเตอร์ C ในสมการที่ (15) มีค่าเท่ากับ 0 จะส่งผลอย่างไร?

• โมเดลจะยอมให้มีจำนวนจุดที่ถูกจำแนกผิดได้มากขึ้น → Margin กว้างขึ้น

• โมเดลจะยอมให้มีจำนวนจุดที่ถูกจำแนกผิดได้ลดลง → Margin แคบลง

• ไม่ยอมให้มีจุดที่จำแนกผิดเลย → Maximal Margin Classifier

Multiple Choice

ถ้าพารามิเตอร์ C มีค่ามาก ๆ จะส่งผลอย่างไร?

• โมเดลจะยอมให้มีจำนวนจุดที่ถูกจำแนกผิดได้มากขึ้น → Margin กว้างขึ้น

• โมเดลจะยอมให้มีจำนวนจุดที่ถูกจำแนกผิดได้ลดลง → Margin แคบลง

• โมเดลไม่ยอมให้มีจุดที่จำแนกผิดเลย → Maximal Margin Classifier

Multiple Choice

เมื่อใดที่เราจำเป็นต้องใช้ 'Kernel Trick' ใน SVM?

• เมื่อข้อมูลสามารถแยกได้ด้วยเส้นตรง (Linearly Separable) อย่างชัดเจน

• เมื่อเมื่อจำนวนตัวแปร (Features) มีน้อยเกินไป

• เมื่อข้อมูลไม่สามารถแยกด้วยสมการเชิงเส้นได้ (Non-linearly Separable) และต้องการขยายไปยัง Feature Space ที่สูงขึ้น

• เมื่อต้องการอธิบายความสัมพันธ์ระหว่างตัวแปรที่ไม่เป็นเชิงเส้น

Multiple Choice

หากข้อมูลไม่สามารถแบ่งได้ด้วยเส้นตรง (Non-linearly separable) SVM จะแก้ไขปัญหานี้เบื้องต้นได้อย่างไร

• หาเส้นโค้งที่ดีที่สุดเพื่อมาแบ่งข้อมูลแทนเส้นตรง

• เฉลี่ยค่าของข้อมูลทั้งสองกลุ่มแล้วหาจุดกึ่งกลาง

• แปลงข้อมูลไปอยู่ในมิติที่สูงขึ้นเพื่อให้สามารถแบ่งได้ด้วยเส้นตรงในมิตินั้น

• ลบจุดข้อมูลที่ไม่สามารถแบ่งได้ทิ้งไป