Algoritmos e Estrutura de Dados · IV - UFG · 2024 | Questão sqc-qg121345

Máquinas de Vetores de Suporte (SVM) e funções kernel

Gabarito: letra D. A principal vantagem do uso de funções kernel em SVMs é a capacidade de lidar com dados não linearmente separáveis, mapeando-os para um espaço de maior dimensão onde um hiperplano separador linear pode ser encontrado.

O SVM padrão busca um hiperplano ótimo que maximize a margem entre as classes. Para dados linearmente separáveis, isso é suficiente. No entanto, muitos problemas reais apresentam fronteiras não lineares. As funções kernel (como polinomial, RBF, sigmoide) permitem que o SVM opere implicitamente em um espaço de características transformado, sem a necessidade de calcular explicitamente essa transformação. Assim, o algoritmo consegue construir classificadores não lineares.

Critério	SVM sem kernel (linear)	SVM com kernel (ex.: RBF, polinomial)
Tipo de separação	Apenas linear	Linear no espaço transformado, não linear no original
Cálculo explícito da transformação	Não se aplica	Não necessário (kernel trick)
Pré-processamento	Normalmente necessário (ex.: normalização)	Normalmente necessário (ex.: normalização)
Risco de overfitting	Menor (modelo mais simples)	Maior (requer ajuste de hiperparâmetros como C e γ)
Aplicação típica	Dados linearmente separáveis	Dados com fronteiras complexas e não lineares

Alternativa A — ❌ Incorreta

A afirmação de que não há necessidade de pré-processamento é falsa. SVMs geralmente requerem normalização ou padronização dos dados para que características com escalas maiores não dominem o cálculo da distância (ou do produto interno). Além disso, a escolha do kernel e de seus hiperparâmetros exige ajuste (por exemplo, validação cruzada). Portanto, o pré-processamento é comum e muitas vezes necessário.

Alternativa B — ❌ Incorreta

O SVM, na verdade, maximiza a margem entre as classes, e não a minimiza. O objetivo é encontrar o hiperplano que maximize a distância (margem) entre os pontos de suporte de classes diferentes. Minimizar a margem levaria a um classificador com pior generalização. Esta alternativa inverte o conceito fundamental do algoritmo.

Alternativa C — ❌ Incorreta

"Aumento do grau de especialização no aprendizado" não é uma vantagem direta dos kernels. Embora os kernels possam capturar relações complexas, isso não se traduz necessariamente em "especialização" - termo vago e que pode sugerir overfitting. O kernel permite flexibilidade, mas o controle do overfitting é feito por outros parâmetros (como o parâmetro de regularização C).

Alternativa D — ✅ Correta ⟵ GABARITO

Exatamente essa é a vantagem central. Com funções kernel, o SVM é capaz de construir separadores não lineares no espaço original. Por exemplo, o kernel RBF (Radial Basis Function) pode criar fronteiras complexas que separam classes que se distribuem em anéis ou aglomerados irregulares. Isso expande enormemente a aplicabilidade do SVM para problemas reais, onde a linearidade é rara.

PEGA ESSA DICA!

Para fixar: SVM linear → margem máxima em espaço original; SVM com kernel → margem máxima em espaço transformado (não linear). A banca costuma cobrar a diferença entre SVM linear e não linear, e a associação direta: kernel = dados não lineares.

Gabarito: letra D.