Coursera-MachineLearning-Week7题目整理

编号按照对应的内容，1-1代表第一大部分遇到的第一题，R代表Review，C代表运行的代码（Code）。

1-1

解：C

A+λB,现求解最优解CA+B。C=1/λ。

1-2

解：B

可以看出x1=3是界限，带入求解可得θ0=-3，θ1=1，θ2=0。

1-3

解：B

可选取x=0作为界限，可得最小的投影p=2，寻找p*||θ||=1，解得||θ||=1/2。

2-1

解：C

σ方变为原来的4倍，那么图像的宽度会变为原来的2倍。

2-2

解：BC

发现SVM过拟合了，我们可以降低C或者增加σ方。

3-1

解：B

我们需要通过交叉验证集来选择我们的参数。

R

R1-1

解：C

欠拟合的时候，我们需要增加C同时降低σ方。

R1-2

解：σ方变为1/4，那么宽度变为原来的1/2。

R1-3

解：BC

对于y=0的样本，我们希望对应参数的成绩小于等于-1，对于y=1的样本，我们希望对应参数的成绩大于等于1，这样就可以保证代价函数最小。

R1-4

解：BC

10个特征，5000个样本，如果使用逻辑回归模型出现欠拟合现象，我们可以使用高斯核的支持向量机模型，或者增加特征。

R1-5

解：CD

A：参数θ的训练收到C的影响，错误。

B：多分类模型，K个类别需要K个支持向量机模型，错误。

C：当x=l(1)，高斯核函数的值为0，否则值小于1，正确。

D：高斯核使用的相似性度量期望数据在大致相同的范围内，正确。