Com o avanço da tecnologia, a Inteligência Artificial (IA) tem se destacado como uma área de grande relevância em diversos setores, desde a indústria até a medicina. A aplicação de

Gabarito

A

Comentário do professor

Máquinas de vetor de suporte (SVM) são métodos de aprendizado supervisionado amplamente usados em problemas de classificação. A ideia central é encontrar uma fronteira de decisão que separe classes com a maior margem possível.

Num SVM linear a função de decisão é \(f(x)=\text{sign}(w\cdot x + b)\). O algoritmo maximiza a margem entre as classes, que está inversamente relacionada a \(\|w\|\) (a margem é \(2/\|w\|\)), garantindo melhor capacidade de generalização.

Os pontos que ficam mais próximos da fronteira e determinam sua posição são os vetores de suporte. Eles são essenciais para o modelo e tornam a solução esparsa.

Para separar dados não lineares, usa‑se o kernel (ex.: RBF, polinomial), que projeta implícita ou explicitamente os dados para espaços de maior dimensão sem computar a transformação diretamente.

Vantagens: bom desempenho em alta dimensionalidade e robustez; limitações: escolha de kernel/hiperparâmetros, sensibilidade ao escalonamento e custo computacional em grandes bases.