Questão de Tecnologia da Informação · FGV DATAPREV 2024 (nº 60)

Support Vector Machines (SVMs) são algoritmos de aprendizado de máquina usados principalmente para classificação, que significa separar diferentes grupos de dados. A ideia central é encontrar a melhor 'linha' ou 'plano' (chamado hiperplano) que divide os dados em categorias, maximizando a distância entre esse plano e os pontos de dados mais próximos de cada categoria (os vetores de suporte). Quando os dados não podem ser separados por uma linha reta ou plano simples (são linearmente inseparáveis), os SVMs usam uma técnica inteligente: eles transformam os dados para um espaço com mais dimensões, onde a separação linear se torna possível.

(A) Incorreta: SVMs são primariamente algoritmos de classificação (supervisionados), e não de agrupamento (clustering, não supervisionados). Embora trabalhem com dados multidimensionais, seu objetivo é separar classes pré-definidas, não agrupar dados sem rótulo.
(B) Incorreta: O "kernel trick" (truque do kernel) é fundamental para SVMs não lineares, mas ele evita mapear os dados explicitamente para um espaço de dimensão superior. Em vez disso, ele calcula o produto escalar entre os vetores nesse espaço de alta dimensão sem realmente realizar o mapeamento explícito, tornando o processo computacionalmente viável. A armadilha aqui é a palavra "explicitamente".
(C) Incorreta: A margem em SVMs é a distância entre o hiperplano de separação e os vetores de suporte (os pontos de dados mais próximos de cada classe). O objetivo é maximizar essa margem para obter uma separação robusta, e não tem relação com "saturação de erro (bias)" ou "hiperplanos concorrentes" nesse contexto.
(D) Incorreta: As abordagens de margem rígida (hard margin) e suave (soft margin) são conceitos centrais em SVMs. A margem suave, em particular, é o que permite que SVMs lidem com dados linearmente inseparáveis, permitindo alguns erros ou pontos dentro da margem, e é estendida para SVMs não lineares via kernels. Portanto, ela viabiliza, e não inviabiliza.
(E) Correta: Para lidar com dados que não são linearmente separáveis no espaço original, os SVMs utilizam um mapeamento não linear para projetar esses dados em um espaço de dimensão superior. Nesse novo espaço, é mais provável que os dados se tornem linearmente separáveis, permitindo que um hiperplano linear seja encontrado para classificá-los.