“Trata-se de um algoritmo capaz de construir modelos de grande poder preditivo utilizando dados de alta dimensão, cuja ideia principal é buscar em espaços de alta dimensão pelo hip

Gabarito

A

Comentário do professor

O algoritmo descrito é o SVM (Support Vector Machine), cujo objetivo é encontrar o hiperplano que melhor separa classes, maximizando a margem entre elas.

Em sua forma linear, o hiperplano é dado por \(w\cdot x + b = 0\) e as restrições de classificação são \(y_i(w\cdot x_i + b) \ge 1\). A margem entre as margens paralelas é \(2/\|w\|\); o SVM minimiza \(\|w\|\) sujeito às restrições, obtendo assim a maior margem possível.

Somente os pontos que tocam as fronteiras (comumente chamados de vetores de suporte) determinam o hiperplano ótimo; pontos internos não influenciam o modelo final.

Para problemas não lineares, o SVM usa funções kernel (por exemplo, RBF, polinomial) para mapear dados a espaços de alta dimensão onde se torna possível separar as classes por um hiperplano linear.

Além da boa capacidade preditiva em alta dimensão, o SVM possui formulação dual com multiplicadores de Lagrange, o que torna eficiente a utilização de kernels e o tratamento de grandes espaços de características.