大家好,今天和大家讨论一下coursera网站上Stanford University的机器学习第7周:Support Vector Machines的课后作业解答。我将给出这些题目和选项的翻译以及个人对题目的见解和看法,这些观点中有些可能是错误的,如有发现,请留言批评指正,谢谢。特此提醒,由于不同学生的题目参数,选项都会不同,请同学们不要照抄,因为我的答案给你可能完全是错误的答案,但是每道题的原理都是一样的。
这周的课程中,吴恩达老师主要向我们介绍了四大方面的内容。
1.SVM从逻辑回归算法的演化过程以及它的具体模型。
2.为何SVM算法又称Large Margin Classification,解释SVM的边界Margin的具体含义。
3.Kernal的具体定义以与SVM算法结合的使用方法。
4.SVM的具体使用步骤,linear kernel,Guassian kernel自定义kernel的选取原则。Multi-calss classification的分类方法。在不同训练样本数m和特征值个数n的情况下,如何选择Logistic regression,SVM or Neural Networks.
好的,话不多说,下面直接进入我们的习题解答。
1.第一题
(1)题意:假设利用高斯核函数训练支持向量机,得到如下的决策线。你认为你的算法对数据集欠拟合的,你应该增大还是减小C?增大还