【原】Coursera—Andrew Ng机器学习—Week 3 习题—Logistic Regression 逻辑回归
课上习题
【1】线性回归
Answer： D
A 特征缩放不起作用，B for all 不对，C zero error不对
【2】概率
Answer：A
【3】预测图形
Answer：A
5 - x1 ≥ 0时，y = 1。即x1 ≤ 5时，y = 1
【4】凸函数
【5】代价函数
Answer：ABD
任何情况下都是 预测对时 cost为0，反之为正无穷
【6】代价函数
【7】向量化
Answer：A
【8】高级优化算法
Answer：C
【9】多分类
测验
AB
Answer：BE
当有一个feature时是一条直线，当有两个feature时一条曲线，有更多的feature时是一条弯七弯八的曲线 。当feature越来越多时，曲线越来越拟合，即损失函数越来越小
A 逻辑回归没有局部最优
B 当增加feature时,拟合的更好. 正确
C 拟合不好但还是会收敛
D 线性回归
E 直线不会完全拟合这几个数据。找到最佳的θ，但是J(θ)会大于0。 正确
F 和B相反，错误
G 0< hθ(x(i)) <1 不可能大于1。 错误
Answer： BCE
AD是线性回归
F少了一个下标 j
Answer：AB
C 线性回归用于分类不好使
D 逻辑回归是凸函数 没有局部最优解的情况。
Answer：D
【1】regularization
Answer：C
【2】
【3】
Answer：A
A ：新加的feature会提高 train set的拟合度
B ：more features能够更好的 fit 训练集,同时也容易导致overfit,是more likely而不是 prevent. 不正确
C，D：将正则化方法加入模型并不是每次都能取得好的效果,如果取得太大的化就会导致欠拟合. 这样不论对 traing set 还是 examples都不好. 不正确
Answer：B
逻辑回归中，由于λ的加入 参数Θ会变小
Answer：C
Answer： A
Answer：A
