吴恩达机器学习第九周测试及编程练习

代码：https://github.com/LiuZhe6/AndrewNGMachineLearning

测验一：Anomaly Detection

第一题

答案
AD
分析：
异常检测通常是在大部分数据是正常的情况下，发现少量不同寻常的数据。

第二题

答案
B
分析：当算法检测的结果丢掉了异常数据的时候，此时增加sigma可以减少丢失。

第三题

答案
A

第四题

答案
AD
分析：
A：当使用有标签的数据时，可以通过最终检测结果来与标签进行比对，从而确定出更好的sigma值。
B：监督学习通常使用大量的正向、负向数据，而异常检测通常使用极少量的正向数据。
C：与A相反
D：寻找那些极大或极小的值作为特征，正确。

第五题

答案
A
分析：从图中可以看出，中心点大致在-3，而如果画出高斯分布的话，宽度大致为2，即sigma的平方为4.

测验二：Recommender Systems

第一题

答案
BC

第二题

答案
AD
分析：
AD均为推荐系统，适合采用协同过滤算法。
C：一个人的喜好，用罗辑回归就好。

第三题

答案
D
分析：需要将三个不同数据库的数据进行归一化，然后才能作为样本数据。

第四题

答案
AB
分析：
C：协同过滤算法不需要手动选择特征，错误。
D：协同过滤算法初始化参数不可以为0，错误。

第五题

答案
AB

编程练习：Anomaly Detection and Recommender Systems

作业一：Estimate Gaussian Parameters

estimateGaussian.m

% 计算mu,向量化代码
% 对X矩阵每一列求和后，执行平均
mu = 1 / m * (sum(X))';



% 计算sigma2 向量化代码
% 将X转置后减去 - mu，然后平方后，求每一行的和，再执行平均
sigma2 = 1 / m * sum((X' - mu).^2 , 2);

作业二：Select Threshold

selectThreshold.m

	% 自己的预测结果
    mcv = size(pval ,1);
    cvPredictions = zeros(mcv,1);
    cvPredictions = (pval < epsilon);
    
    % 计算TP，FP，FN,使用按位与操作
    tp = sum((cvPredictions == 1) & (yval == 1));
    fp = sum((cvPredictions == 1) & (yval == 0));
    fn = sum((cvPredictions == 0) & (yval == 1));

    % 计算查准率和查全率
    prec = tp / (tp + fp);
    rec = tp / (tp + fn);


    F1 = 2 * prec * rec / (prec + rec);

作业三：Collaborative Filtering Cost

cofiCostFunction.m

% 计算代价函数时，只计算有评分的部分，故通过点乘R来得到有数据部分的值
J = 1 / 2 * sum(sum(( (X * Theta').*R - Y.*R).^2));

作业四：Collaborative Filtering Gradient

cofiCostFunction.m

% 向量化代码计算梯度
X_grad = ((X * Theta').* R - Y.*R) * Theta;
Theta_grad = ((X * Theta').*R - Y.*R)' * X;

作业五：Regularized Cost

cofiCostFunction.m
接着上面的代码写

% 正则化J
J += lambda / 2 * sum(sum(Theta.^2))  + lambda / 2 * sum(sum(X.^2));

作业六：Regularized Gradient

cofiCostFunction.m
接着上面的代码写

% 正则化梯度
X_grad += lambda * X;
Theta_grad += lambda * Theta;