Exercice 1: Classification binaire avec SVM
Supposons que vous ayez un ensemble de données avec deux caractéristiques (X1 et X2)
et deux classes (0 et 1). En utilisant la bibliothèque scikit-learn en Python, implémentez un
modèle SVM linéaire pour classer les données en utilisant les caractéristiques X1 et X2.
Exercice 2: Classification multiclasse avec SVM Utilisez le jeu de données Iris, qui a trois
classes de fleurs. Mettez en œuvre un modèle SVM avec un noyau radial (RBF) pour
classer les différentes espèces de fleurs en fonction de leurs caractéristiques.
Exercice 3: Détection de fraude avec SVM Imaginez que vous travaillez pour une
entreprise de services financiers et que vous avez un ensemble de données contenant des
transactions bancaires. Certaines de ces transactions sont frauduleuses, tandis que d'autres
sont légitimes. Utilisez un modèle SVM pour détecter les transactions frauduleuses en
fonction des caractéristiques des transactions.
Exercice 4: Traitement d'images avec SVM Utilisez la bibliothèque OpenCV en Python
pour charger une image en niveaux de gris. Ensuite, créez un modèle SVM pour classer les
pixels de l'image en deux catégories : avant-plan et arrière-plan.
Exercice 5: Prédiction du prix immobilier avec SVM Supposez que vous ayez un
ensemble de données contenant des informations sur les maisons, telles que le nombre de
chambres, la superficie, etc. Utilisez un modèle SVM pour prédire le prix immobilier en
fonction de ces caractéristiques.
Exercices sur la Compréhension des Méthodes de SVM (3 questions)
1. Quelle est la principale différence entre SVM linéaire et SVM non linéaire ? a) Le
SVM linéaire ne peut pas traiter les ensembles de données non linéairement
séparables. b) Le SVM linéaire utilise un hyperplan linéaire pour séparer les
données, tandis que le SVM non linéaire utilise des noyaux pour projeter les
données dans un espace de dimension supérieure. c) Le SVM linéaire fonctionne
mieux pour les ensembles de données de grande taille. d) Le SVM linéaire est plus
rapide à entraîner que le SVM non linéaire.
2. Comment le choix du paramètre de régularisation "C" peut-il affecter la performance
d'un modèle SVM ? a) Un C plus petit augmente la complexité du modèle. b) Un C
plus grand diminue la marge entre les classes. c) Un C plus grand augmente la
complexité du modèle, ce qui peut entraîner du surajustement. d) Le paramètre
C n'a pas d'effet sur la performance du modèle.
3. Qu'est-ce qu'un noyau dans le contexte de SVM ? a) Un noyau est une fonction de
coût utilisée pour entraîner un modèle SVM. b) Un noyau est un ensemble de
caractéristiques d'entrée dans SVM. c) Un noyau est une fonction mathématique
utilisée pour projeter les données dans un espace de dimension supérieure où
elles peuvent être linéairement séparées. d) Un noyau est une métrique utilisée
pour évaluer la performance d'un modèle SVM.
Exercices Aléatoires sur SVM (5 questions)
4. Quelle est la complexité temporelle de la prédiction d'un modèle SVM ? a) Linéaire
par rapport à la taille de l'ensemble d'entraînement. b) Linéaire par rapport au
nombre de vecteurs de support. c) Quadratique par rapport à la taille de
l'ensemble d'entraînement. d) Constante, indépendamment de la taille de l'ensemble
d'entraînement.
5. Comment SVM peut-il être utilisé pour la régression ? a) SVM ne peut pas être utilisé
pour la régression. b) En adaptant le modèle pour prédire des valeurs continues
et en utilisant une fonction de perte adaptée. c) En utilisant une fonction de perte
qui ne tient pas compte des erreurs de prédiction. d) En choisissant un noyau
polynomial de haut degré.
6. Quel est l'effet du paramètre de régularisation "gamma" dans SVM ? a) Le paramètre
gamma contrôle la distance entre les vecteurs de support. b) Le paramètre gamma
affecte la complexité du modèle SVM. c) Le paramètre gamma influence la
manière dont les points d'entraînement sont pondérés dans l'espace de
projection. d) Le paramètre gamma contrôle la taille des marges dans SVM.
7. Comment SVM identifie-t-il la classe d'un nouvel exemple en utilisant l'hyperplan ? a)
En attribuant la classe de l'hyperplan aux exemples qui se trouvent à l'intérieur des
marges. b) En évaluant de quel côté de l'hyperplan se trouve le nouvel exemple
par rapport à ses vecteurs de support. c) En calculant la moyenne des distances
entre le nouvel exemple et tous les vecteurs de support. d) En projetant le nouvel
exemple sur l'hyperplan et en déterminant la distance minimale.
8. Comment SVM traite-t-il les ensembles de données avec des classes non
linéairement séparables ? a) SVM ne peut pas traiter de telles données. b) SVM
ignore les classes non linéairement séparables. c) SVM utilise des noyaux pour
projeter les données dans un espace de dimension supérieure où elles
peuvent être séparées. d) SVM modifie les caractéristiques pour les rendre
linéairement séparables.
