APERTURA_26-05-SVM

¿Cuál es el objetivo principal de un SVM en clasificación?

• Minimizar el error de entrenamiento.

• Maximizar el margen entre las clases.

• Ajustar todos los puntos correctamente.

¿Qué son los "vectores de soporte"?

• Puntos aleatorios del conjunto de datos.

• Puntos más cercanos al hiperplano que definen el margen.

• Puntos fuera del margen de separación.

En SVM no lineales, ¿qué técnica permite separar datos no lineales?

• Reducción de dimensionalidad.

• Proyección a un espacio de mayor dimensión usando kernels.

• Eliminar características irrelevantes.

En regresión SVM, ¿qué controla el hiperparámetro ε ?

• El número de vectores de soporte.

• La anchura del margen que contiene la mayoría de los puntos.

• La penalización por errores.

¿Por qué se usa el "truco del kernel" en SVM?

• Para evitar el sobreajuste.

• Para transformar datos no separables linealmente en un espacio donde sí lo sean.

• Para reducir el tiempo de entrenamiento.

¿Qué diferencia a SVM de otros modelos de Machine Learning según lo visto?

• Minimiza el error empírico.

• Maximiza el margen entre clases, enfocándose en los vectores de soporte.

• Solo funciona con datos linealmente separables.