Week6:Advice for Applying Machine Learning课后习题解答

最新推荐文章于 2021-01-08 12:37:55 发布
最新推荐文章于 2021-01-08 12:37:55 发布
阅读量4.2k 收藏 2
点赞数 4
分类专栏： Mac Jiang的机器学习专栏 文章标签： 机器学习 斯坦福大学 week-6 课后习题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1015553840/article/details/50774022
版权

    本文将主要解释coursera网站上斯坦福大学的机器学习公开课（吴文达老师）第六周Advice for Applying Machine Learning的课后习题的讲解，与同学们共同探讨学习。
   
1.第一题
这里写图片描述

题意：你训练了算法，在用测试数据进行测试时有很大的错误，画出了如下图所示的学习曲线。请问它是高偏差，高方差还是两者都不是？
分析：吴老师在上课时候就明确说过，随着m增大，Jtest和Jtrain接近的是high bias问题，即欠拟合。若Jtest和Jtrain相差很大，为high variance，即过拟合。
答案：high bias

2.第二题
这里写图片描述

题意：假设你利用正则化后的逻辑回归来做图像识别。当你用一些新的图像测试你的假设函数，发现图像预测时出现不可接受的巨大的错误。但是你的假设模型对训练样本的效果良好。以下哪些操作可以解决？
         添加更多多项式特征，如x1x2,x1x3…
         使用更少的训练样本
         添加更多的训练样本
         使用更少的特征
分析：题目说对训练样本效果良好，但是对新样本的泛化能力不好，说明此模型过拟合。添加更多特征多项式可以解决欠拟合，不选。使用更少的训练样本无作用&

最低0.47元/天 解锁文章
Mac Jiang
关注
  • 4
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Stanford 机器学习笔记 Week6 Advice for Applying Machine Learning
Baoli1008的专栏
03-02 1289
Evaluating a Learning AlgorithmDeciding What to Try Next当算法效果不好时，你可能会尝试：1. 收集更多数据 2. 增加属性 3.减少属性 4.修改regularition参数lambda,下面几节会告诉你如何选择正确的做法。Evaluating a Hypothesis如何判定是否过拟合了？一种方法是拿出原训练集的70%做新训练集，计算出θ，然
测试【Machine Learning week6】Advice for Applying Machine Learning
qq_28087847的博客
12-22 1122
对于Advice for Applying Machine Learning，感觉一张表就可以概括清楚，不过其内在分析却着实需要花上一番功夫才能完全弄明白。废话不多说，做这一章的题这一张表基本上就够了。 分析：从learning curve可以看出，随着Training set Size的增加，Jtest明显下降，证明算法存在的问题是high variance。 答案：2 分析：由提干可知，上述算法主
吴恩达机器学习视频课提纲+随堂选择练习题——week10应用机器学习&week11设计机器学习
weixin_41761357的博客
01-08 1661
文章目录一、WEEK 10:应用机器学习的建议(Advice for Applying Machine Learning)10 - 1 - Deciding What to Try Next10 - 2 - Evaluating a Hypothesis10 - 3 - Model Selection and Train_Validation_Test Sets10 - 4 - Diagnosing Bias vs. Variance10 - 5 - Regularization and Bias_Vari
机器学习入门资源不完全汇总
GarfieldEr007的专栏
12-06 1816
机器学习入门资源不完全汇总 基本概念 ｜ 入门攻略 ｜ 课程资源 ｜ 论坛网站 ｜ 东拉西扯 2014-10-14版, 好东西传送门编辑整理, 原文链接 http://ml.memect.com/article/machine-learning-guide.html 感谢贡献者： tang_Kaka_back@新浪微博 欢迎补充指正，转载请保留原作者和原文链接。 本文是 机器学习日报的
机器学习该怎么入门？
GarfieldEr007的专栏
05-25 5780
阿猫Knight ，Perfekt 张逸萌 等 432 人赞同 我也谈谈自己的经验。 机器学习说简单就简单，说难就难，但如果一个人不够聪明的话，他大概很难知道机器学习哪里难。基本上要学习机器学习，先修课程是algebra, calculus, probability theory, linear regression。这几门科学好了再学Machine learning是事
全日制英国硕士留学攻略V3.0（持续更新）
热门推荐
欢迎！欢迎来到17号城市！
10-17 8万+
夜深人静的时候，自己好好想一想， 把目光放远到整个人生，在当下这一人生阶段， 到底什么对于自己来说才是优先级最高的？ 最重要的？最想做的？ 留学这件事儿理论上是赶早不赶晚，随着年龄的增长， 留学成本会陡增，工作一年能赚多少钱？ 不工作一年能损失多少钱？ 但有工作经验的好处是比其他学生更有方向， 知道自己哪里欠缺，更知道自己想要什么。 留学是一件苦差事， 无论是在备考雅思托福各种刻苦学英语， 还是是面对吨级的知识点以及各种学习压力， 还是面对境外环境时的各种捉襟见肘， 总之，留学比我想象中的要难很多。.
机器学习系列：概览
weixin_30793643的博客
08-29 148
----------------------------------------------------------------------------------------- 和机器学习结缘，是因为知乎上一项回答：为什么最近有很多名人，比如比尔盖茨，马斯克、霍金等，让人们警惕人工智能？，回答中关于人工智能的探讨、人类命运的终极思索，深深地触动了我。于是我就想从机器学习为切...
【原】机器学习公开课 目录（课程笔记、测验习题答案、编程作业源码）...持续更新......
weixin_30532369的博客
12-27 193
之前看过的机器学习课程。本文是相关课程笔记、习题答案、作业源码的电梯。 1 Coursera 斯坦福机器学习课程，Andrew Ng 1.1 说明 课程地址和软件下载 Coursera连接不上（视频无法播放），修改hosts文件 机器学习工具Octave安装（Win10环境） 1.2 课程笔记 Week1 课程笔记 Lecture 1_Introduction and Basic ...
机器学习入门指南
henryzhihua
04-07 1837
转自果壳的机器学习小组_好东西传送门用户：http://www.guokr.com/post/636133/ 转自http://ml.memect.com/article/machine-learning-guide.html 读了白马 的 机器学习入门者学习指南，感觉写得非常到位。在不少论坛上，包括知乎，Quora上都看到类似的问题，而解答通常就是推荐几门课、几本书。虽然也都是好东西
machine learing Advice for applying machine learning
10-12
"Advice for applying machine learning"这一主题涵盖了在实际项目中实施机器学习模型时需要考虑的关键点。在这个编程作业中，我们可能涉及了如何利用Jupyter Notebook进行实验和分析，以及如何在机器学习与数据挖掘...
some adivice for applying machine learning.docx
07-24
吴恩达老师的some advice for applying machine learning
Machine Learning Projects with TensorFlow 2.0：Supercharge your Machine Learning
05-02
This course will guide you to upgrade your skills in Machine Learning by practically applying them by building real-world Machine Learning projects. Each section should cover a specific project on a ...
藏经阁-Applying Machine Learning to.pdf
08-26
藏经阁-Applying Machine Learning to.pdf
藏经阁-Applying Machine Learning to Construction.pdf
最新发布
09-09
藏经阁-Applying Machine Learning to Construction.pdf
Predictive Analytics with Microsoft Azure Machine Learning: Build and Deplo
07-30
Data Science and Machine Learning are in high demand, as customers are increasingly looking for ways to glean insights from all their data. More customers now realize that Business Intelligence is not...
Pattern Recognition and Machine Learning
11-07
The dramatic growth in practical applications for machine learning over the last ten years has been accompanied by many important developments in the underlying algorithms and techniques. For example,...
Machine Learning for Decision Makers
01-08
Chapter 6: I Am the Future: Machine Learning in Action Chapter 7: Innovation, KPIs, Best Practices, and More for Machine Learning Chapter 8: Do Not Forget Me: The Human Side of Machine Learning ...
tell me about how to reprocess data in machine learning
05-12
In machine learning, data pre-processing is a critical step in preparing data for training and testing models. The goal of data pre-processing is to transform raw data into a format that is more suitable for machine learning algorithms. Here are some common steps involved in data pre-processing: 1. Data cleaning: This involves removing irrelevant or duplicate data points, filling in missing values, and correcting formatting errors. 2. Data normalization: This involves scaling data to a common range so that features with larger values do not dominate the training process. 3. Feature selection: This involves selecting the most relevant features of the data to include in the model. This can help reduce overfitting and improve model performance. 4. Feature engineering: This involves creating new features from existing ones to improve model performance. For example, you could create a new feature that combines two existing features to capture a relationship between them. 5. Data augmentation: This involves creating new data points by applying transformations to existing data. This can help improve the robustness of the model to variations in the input data. Overall, data pre-processing is an iterative process that involves experimenting with different techniques to improve model performance. It requires a deep understanding of the data and the problem domain, as well as the ability to analyze and interpret the model's results.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值