Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg079814
Banca
FGV
Órgão
DATAPREV
Ano
2024
Nível
Superior
Cargo
ATI - Inteligência da Informação
Support Vector Machines (SVMs) é um método de aprendizado de máquina que pode ser aplicado em áreas como reconhecimento de padrões, bioinformática e detecção de fraudes, devido à sua capacidade de lidar com dados complexos.Nesse contexto, identificamos que o método SVM
Aadequa-se a problemas de agrupamento de dados multidimensionais.
Bapoia-se no princípio do “kernel trick”, que mapeia explicitamente dados não lineares em outros dados lineares.
Cdefine margem como sendo a maior saturação de erro (bias) suportada pelo algoritmo na geração de hiperplanos concorrentes.
Dinviabiliza o uso de abordagens para SVMs lineares com margens rígida e suave para utilização em SVMs não lineares em dados linearmente inseparáveis.
Eusa um mapeamento não linear para transformar os dados de treino originais em um espaço de dimensão superior.
Revelar gabarito e comentário▾
GabaritoE — usa um mapeamento não linear para transformar os dados de treino originais em um espaço de dimensão superior.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Support Vector Machines (SVM)
Gabarito: letra E. O SVM utiliza um mapeamento não linear (via kernel trick) para projetar os dados originais em um espaço de dimensão superior, onde se torna possível encontrar um hiperplano separador linear. Essa é a essência do método: transformar problemas não linearmente separáveis em lineares por meio da expansão dimensional implícita.
A questão cobra os fundamentos das SVMs, especialmente a diferença entre classificação e clustering, o papel do kernel trick e o conceito de margem. Vamos analisar cada alternativa.
Alternativa
Afirmação sobre SVM
Correção
Motivo
A
Adequa-se a problemas de agrupamento de dados multidimensionais.
❌ Incorreta
SVM é método de aprendizado supervisionado (classificação/regressão), não de clustering.
B
Apoia-se no princípio do “kernel trick”, que mapeia explicitamente dados não lineares em outros dados lineares.
❌ Incorreta
O kernel trick realiza mapeamento implícito, não explícito, para espaço de alta dimensão.
C
Define margem como sendo a maior saturação de erro (bias) suportada pelo algoritmo na geração de hiperplanos concorrentes.
❌ Incorreta
Margem é a distância entre o hiperplano e os vetores de suporte; não é “saturação de erro” nem bias.
D
Inviabiliza o uso de abordagens para SVMs lineares com margens rígida e suave para utilização em SVMs não lineares em dados linearmente inseparáveis.
❌ Incorreta
O kernel trick permite aplicar SVMs lineares (com margens flexíveis) a dados não lineares; a alternativa inverte a lógica.
E
Usa um mapeamento não linear para transformar os dados de treino originais em um espaço de dimensão superior.
✅ Correta (Gabarito)
Essa é a essência do SVM: via kernel trick, projeta dados em espaço de maior dimensão para torná-los linearmente separáveis.
SVM (Support Vector Machine): Natureza (Aprendizado supervisionado, Classificação e regressão); Kernel trick (Mapeamento implícito, Espaço de dimensão superior, Dados não lineares → lineares); Margem (Distância hiperplano-vetores suporte, Objetivo: maximizar); Tipos (Margem rígida (hard margin), Margem suave (soft margin))
Alternativa A — ❌ Incorreta
Afirma que o SVM se adequa a problemas de agrupamento (clustering). SVM é um método de aprendizado supervisionado usado para classificação e regressão, não para clustering. Métodos de agrupamento típicos incluem K-means, DBSCAN, hierárquicos, etc.
Alternativa B — ❌ Incorreta
Diz que o kernel trick mapeia explicitamente dados não lineares em lineares. Na verdade, o kernel trick realiza um mapeamento implícito para um espaço de alta dimensão, evitando o custo computacional de calcular explicitamente as coordenadas nesse espaço. O termo “explicitamente” está errado.
Alternativa C — ❌ Incorreta
Define margem como “a maior saturação de erro (bias) suportada pelo algoritmo”. Margem, em SVM, é a distância entre o hiperplano separador e os vetores de suporte (pontos mais próximos). O objetivo é maximizar essa margem, não é uma “saturação de erro”. O conceito de bias aqui não se aplica diretamente à margem.
Alternativa D — ❌ Incorreta
Afirma que o uso de SVMs lineares com margens rígida e suave é inviabilizado para dados não lineares. A técnica padrão para lidar com dados não linearmente separáveis é exatamente o kernel trick, que permite aplicar SVMs lineares (com margens flexíveis) a esses dados. A alternativa inverte a lógica.
Alternativa E — ✅ Correta ⟵ GABARITO
O SVM usa um mapeamento não linear (por meio de uma função kernel, como RBF, polinomial, etc.) para transformar os dados de treino em um espaço de dimensão superior. Nesse novo espaço, os dados tornam-se linearmente separáveis, permitindo que um hiperplano de margem máxima seja encontrado de forma eficiente.
NÃO CAIA NESSA!
A banca troca o termo “implícito” por “explícito” na alternativa B, confundindo o candidato sobre o funcionamento do kernel trick. Lembre-se: o kernel calcula produtos internos no espaço transformado sem jamais computar as coordenadas explicitamente.
PEGA ESSA DICA!
Para questões sobre SVM, fixe a tríade: (1) é supervisionado (classificação/regressão); (2) busca o hiperplano de margem máxima; (3) para dados não lineares, usa o kernel trick – mapeamento implícito para alta dimensão. Decore esses pilares e você elimina distratores como os das alternativas A, C e D.