【1】 诊断的作用

【2】过拟合

【3】

【4】

高偏差bias,欠拟合underfitting

高方差variance,过拟合overfitting

【5】参数λ

Answer:  λ太大,则参数都被惩罚,导致欠拟合,两个J都大。  λ太小,则欠拟合,Jtrain 小,Jcv大。

【6】

Answer:过拟合的时候,增加训练集有用。

【7】

Answer:过拟合,增加 hidden 层数无用。

-------------------------------------- 下面是Lecture 11 的内容

【8】

Answer:

A 正确。不容易猜测哪个feature是最有用的

B 错误。是一种方法,significant improve 不一定

C 错误。 是一种方法,always be good 不一定

D 正确。gut feeling直觉,不推荐只根据直觉判断。

【9】Jtest 和 Jcv

【10】错误度量

Answer: Precision = 80/(20+80) = 0.8,  Recall = 80/(80+80) = 0.5

【11】 F1 score

【12】大数据集

Answer:如果数据所含的信息很少,增大数据集也不能解决问题。


测验

Answer:第一个欠拟合,两个误差都大。第二个过拟合,train小,cv大。

Answer:BC,过拟合:使用小的特征集, 增大λ。

Answer:AB,欠拟合:增大特征集, 增加多项式次数,减小λ。

Answer:AD

Answer:ABCF

A 高偏差,欠拟合说明模型不好,应该增加feature

C 参数过多,更容易过拟合

D 错误。增加 hidden 数,不能解决过拟合

E 错误。欠拟合,通过增加feature可以优化

F 过拟合,通过增加训练集可以优化

--------------- 下面是Lecture11 的内容

Answer: recall=85/(85+15)=0.85

Answer: BD

A 错误。如果features太少,多加入polynomial features 也不能够完全模拟出训练样本的特征。就像预测房价,只用房子面积这一个特征,再加上面积1次方,2次方组成的polynomial,就算训练样本再多,也不能预测出正确的房价
B 正确 给专家一个x feature就可以准确的预测出y. 即所选的特征x含有足够的信息来准确预测y
C

D 正确。我们的学习算法能够表示相当复杂的功能(例如,训练神经网络或其他具有大量参数的模型)。模型复杂,表示复杂的函数,此时的特征多项式可能比较多,能够很好的拟合训练集中的数据,使用大量的数据能够很好的训练模型。

Answer:D

threshould 设定越低,查准率precision越低、查全率recall越高,因为更多负例被判断为正例。

threshould 设定越高,查准率precision越高、查全率recall越低,因为有更多正例被漏掉。

Answer:ACDFG

  • Accuracy = (true positives + true negatives) / (total examples)
  • Precision = (true positives) / (true positives + false positives)
  • Recall = (true positives) / (true positives + false negatives)
  • F1​ score = (2 * precision * recall) / (precision + recall)

A 正确。好的模型应该同时具有较高的precision和recall

B 错误。表现应该类似

C 正确。如果都判断为非垃圾邮件,recall=0/(0+99)=0,precision=0/(0+1)=0,accurancy=(0+99)/100 = 0.99

D 正确。交叉验证集合和训练集来源相同,表现应该类似。

E 错误。如果都判断为垃圾邮件,recall=1/(1+0)=1,precision=1/(99+1)=0.01

F 正确。同C

G 正确。同E

Answer:DEF

A 错误。不应该开始就花大量时间去收集大量数据,而应该有重点地收集有用数据

B 错误。模型欠拟合,多收集数据没有帮助。如果模型太简单、特征太少,则应该增加多项式特征,而不是收集数据

C 错误。因为可能存在偏斜数据集,最终阈值不一定是0.5

D 正确。手动检查分类错误的数据会有帮助

E 正确。使用特别大的数据集合能避免过拟合

F 正确。在很偏斜的数据集上,应该使用F1 值,而不是使用accuracy

【原】Coursera—Andrew Ng机器学习—Week 6 习题—Advice for applying machine learning的更多相关文章

  1. 【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 17—Large Scale Machine Learning 大规模机器学习

    Lecture17 Large Scale Machine Learning大规模机器学习 17.1 大型数据集的学习 Learning With Large Datasets 如果有一个低方差的模型 ...

  2. 【原】Coursera—Andrew Ng机器学习—Week 11 习题—Photo OCR

    [1]机器学习管道 [2]滑动窗口 Answer:C ((200-20)/4)2 = 2025 [3]人工数据 [4]标记数据 Answer:B (10000-1000)*10 /(8*60*60) ...

  3. 【原】Coursera—Andrew Ng机器学习—Week 5 习题—Neural Networks learning

    课上习题 [1]代价函数 [2]代价函数计算 [3] [4]矩阵的向量化 [5]梯度校验 Answer:(1.013 -0.993) / 0.02 = 3.001 [6]梯度校验 Answer:学习的 ...

  4. 【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 ...

  5. 【原】Coursera—Andrew Ng机器学习—Week 10 习题—大规模机器学习

    [1]大规模数据 [2]随机梯度下降 [3]小批量梯度下降 [4]随机梯度下降的收敛 Answer:BD A 错误.学习率太小,算法容易很慢 B 正确.学习率小,效果更好 C 错误.应该是确定阈值吧 ...

  6. 【原】Coursera—Andrew Ng机器学习—Week 9 习题—异常检测

    [1]异常检测 [2]高斯分布 [3]高斯分布 [4] 异常检测 [5]特征选择 [6] [7]多变量高斯分布 Answer: ACD B 错误.需要矩阵Σ可逆,则要求m>n  测验1 Answ ...

  7. 【原】Coursera—Andrew Ng机器学习—Week 8 习题—聚类 和 降维

    [1]无监督算法 [2]聚类 [3]代价函数 [4] [5]K的选择 [6]降维 Answer:本来是 n 维,降维之后变成 k 维(k ≤ n) [7] [8] Answer: 斜率-1 [9] A ...

  8. 【原】Coursera—Andrew Ng机器学习—Week 7 习题—支持向量机SVM

    [1] [2] Answer: B. 即 x1=3这条垂直线. [3] Answer: B 因为要尽可能小.对B,右侧红叉,有1/2 * 2  = 1 ≥ 1,左侧圆圈,有1/2 * -2  = -1 ...

  9. 【原】Coursera—Andrew Ng机器学习—Week 1 习题—Linear Regression with One Variable 单变量线性回归

    Question 1 Consider the problem of predicting how well a student does in her second year of college/ ...

随机推荐

  1. .NET Core/Framework 创建委托以大幅度提高反射调用的性能

    都知道反射伤性能,但不得不反射的时候又怎么办呢?当真的被问题逼迫的时候还是能找到解决办法的. 为反射得到的方法创建一个委托,此后调用此委托将能够提高近乎直接调用方法本身的性能.(当然 Emit 也能够 ...

  2. 《DSP using MATLAB》示例Example 6.20

  3. Flask第三篇——安装Flask

    现在我们来安装Flask: Windows系统安装Flask 如果你的系统是Windows,那安装起来非常方便——pip install flask Mac系统安装Flask Mac安装Flask一般 ...

  4. lib包含# #pragma comment

    #pragma comment(lib,"d2d1.lib")#pragma comment(lib,"dwrite.lib")#pragma comment( ...

  5. 7-4线性分组码的matlab程序

    补充一点,关于生成矩阵G和校验矩阵H的关系:生成矩阵G是4*7矩阵,分为两块,前4列组成的4*4矩阵为单位矩阵,后3列组成的4*3矩阵我称它监督矩阵,校验矩阵是3*7矩阵,前4列组成的3*4矩阵是监督 ...

  6. __all__ 作用, 相当于导入*

    它是一个string元素组成的list变量,定义了当你使用 from <module> import * 导入某个模块的时候能导出的符号(这里代表变量,函数,类等) 参考文章: http: ...

  7. PEP

    用python ,  PEP难以绕过.  PEP是什么?   Python Enhancement Proposals , 它集合了python的改进提案. 它不是版本递进的, 有些PEP是应该去读一 ...

  8. grpc xservice 使用

    1. 安装(此处比较简单) dep 包管理 配置环境变量 GOPATH/bin GO/bin protoc 下载并配置环境变量 2. xservice 安装 a. 预备(一些需要的依赖) mkdir ...

  9. Cucumber 使用例子

    1. junit 配置 @RunWith(Cucumber.class) @CucumberOptions(format ={"pretty","html:target/ ...

  10. 一次解决spark history server日志不见

    通过cloudera的旧版VM(centos6版本)跑spark,之后,想看一下日志研究一下job,stage以及task,压力很大的发现完全没有日志,180088页面打开后: Event log d ...