Coursera机器学习-Week 3-测验:Regularization

正则化方法：

$$J(\theta) = \frac{1}{2m}\left[\sum_{i = 1}^m {(h_\theta(x^{(i)}) - y^{(i)})}^2 + \lambda\sum_{i = 1}^n \theta_j^2 \right]$$

1

描述

解析

$A、C$，引入正则化方法并不能总取得好的结果，如果 $\lambda$ 过大会导致过拟合，不管是对于 $traing\ set$ 还是 $exemples$，都会存在这种可能，所以不正确。
$B、D$，增加新的特征可以获得更好的拟合，但是并不能防止过拟合的发生，所以 $B$ 正确，$D$ 错误。
最后结果选 $B$。

2

描述

解析

引入正则化方法时，$\lambda$ 值变大，$\theta$ 将会变小，如果 $\lambda$ 非常大时，$\theta_i(i = 1, 2, 3…) \thickapprox 0$，最后几乎只受 $\theta_0$ 影响，拟合出来的结果也会接近于一条直线，所以当 $\lambda = 1$ 时，应该选择 $A$。

3

描述

解析

$A、B$，当 $\lambda$ 过大时，会导致 $underfit$，最后拟合出来的接近于一条直线，所以错误。
$C$，当引入正则时，可以缓解 $overfit$，所以会导致分类器出现错误的分类，$C$ 正确。
$D$，正则化方法想要解决的问题是 $overfit$，所以 $D$ 错误。
最终答案 $C$。