吴恩达机器学习---编程练习6

博主只是初学机器学习的新人一枚，这篇博客旨在分享一下吴恩达机器学习课程编程练习6的答案，同时也是相当于自己对这一章的内容做一个回顾，让自己理解的更加的透彻，理性讨论，不喜勿喷

本章的主题是Support Vector Machines(SVM)，即支持向量机，SVM是一类按照监督学习方式对数据进行二元分类的广义线性分类器，与前面提到的逻辑回归和神经网络类似，而SVM与二者相比，在学习复杂的非线性方程时，提供了一种更为清晰，更加强大的方法，线性回归、逻辑回归、神经网络和SVM的总结可以参考下列博文(侵删)：线性回归、逻辑回归、神经网络、SVM总结

1. SVM with Linear Kernels
   采用的是“linear kernel”，也称作No kernel，即没有核函数，简单的执行例如θ^Tx>0时则有y=1的操作。

   展示了在SVM训练中C的作用，以下三张图依次为数据集、C=1时分类图、C=100时分类图：
   
   
   
   从这三张图中我们似乎可以得出一个比较直观的结论—当C的值比较小时，SVM的分类结果更趋向于全局间距最大化，而当C的值较大时，SVM的结果更趋向于局部的最优解，这看起来似乎和练习5中的高方差结果类似。
   事