機器學習之Coursera Andrew Ng 《Machine Learning》 week 6 test 2
本系列文章是coursera上Andrew Ng的《Machine Learning》的測驗題,每次測驗都會有不同的錯,記錄下來,不定時的補充。錯的題目希望能幫我改正一下,我改錯的也希望大家能提出。
1、
2、 (1)rightAccuarcy = (85 + 10) / 1000 = 0.095 Precision = 85 / (85 + 890) = 0.087 Recall = 85 / (85 + 15) = 0.85 F1 score = 2 * (P * R) / (P + R) = 0.158
(2)right
3、 (1)right
(2)right
4、 (1)right
always predict spam(y=1):
Actual 1 Actual 0 Predict 1 1 99 Predict 0 0 0 P = 1%; R = 100%
always predict non-spam(y=0):
Actual 1 Acual 0 Predict 1 0 0 Predict 0 1 99
R = 0%; Accuracy = 99%;
(2)wrong
5、 (1)wrong
(2)wrong
相關推薦
機器學習之Coursera Andrew Ng 《Machine Learning》 week 6 test 2
本系列文章是coursera上Andrew Ng的《Machine Learning》的測驗題,每次測驗都會有不同的錯,記錄下來,不定時的補充。錯的題目希望能幫我改正一下,我改錯的也希望大家能提出。
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 11—Machine Learning System Design
Lecture 11—Machine Learning System Design 11.1 垃圾郵件分類 本章中用一個實際例子: 垃圾郵件Spam的分類 來描述機器學習系統設計方法。首先來看兩封郵件,左邊是一封垃圾郵件Spam,右邊是一封非垃圾郵件Non-Spam:垃圾郵件有很多features。如果我
【機器學習入門】Andrew NG《Machine Learning》課程筆記之四:分類、邏輯迴歸和過擬合
分類和邏輯迴歸 在實際的生活中,會遇到很多二元分類問題(Binary Classification Problem),比如判斷一封郵件是否是垃圾郵件,攝像頭判斷使用者是男是女和一張圖片裡包含的是貓還是狗等等。 在有監督的分類問題中,通常使用帶標記(Label
【機器學習入門】Andrew NG《Machine Learning》課程筆記之一 :課程簡介
作為大名鼎鼎Coursera 的創始人之一的斯坦福教授Andrew NG的課程《Machine Learning》是非常好的入門課程,內容淺顯,逐層深入,講解了很多機器學習中的常用概念和技術,最後實現一
Coursera-吳恩達-機器學習-第六週-測驗-Machine Learning System Design
說實話,這一次的測驗對我還是有一點難度的,為了刷到100分,刷了7次(哭)。 無奈,第2道和第4道題總是出錯,後來終於找到錯誤的地方,錯誤原因是思維定式,沒有動腦和審題正確。 這兩道題細節會在下面做出講解。 第二題分析:題意問,使用大量的資料,在哪兩種情況時
斯坦福大學公開課機器學習: advice for applying machine learning - evaluatin a phpothesis(怎麽評估學習算法得到的假設以及如何防止過擬合或欠擬合)
class 中一 技術分享 cnblogs 訓練數據 是否 多個 期望 部分 怎樣評價我們的學習算法得到的假設以及如何防止過擬合和欠擬合的問題。 當我們確定學習算法的參數時,我們考慮的是選擇參數來使訓練誤差最小化。有人認為,得到一個很小的訓練誤差一定是一件好事。但其實,僅
斯坦福大學公開課機器學習: advice for applying machine learning | regularization and bais/variance(機器學習中方差和偏差如何相互影響、以及和算法的正則化之間的相互關系)
交叉 來講 相對 同時 test 如果 開始 遞增 相互 算法正則化可以有效地防止過擬合, 但正則化跟算法的偏差和方差又有什麽關系呢?下面主要討論一下方差和偏差兩者之間是如何相互影響的、以及和算法的正則化之間的相互關系 假如我們要對高階的多項式進行擬合,為了防止過擬合現象
機器學習系統設計(Building Machine Learning Systems with Python)- Willi Richert Luis Pedro Coelho
切分 秘密 閾值 isa 占用 第二版 思考 並且 了解 機器學習系統設計(Building Machine Learning Systems with Python)- Willi Richert Luis Pedro Coelho 總述 本書是 2014 的,看完以後才
斯坦福大學公開課機器學習:advice for applying machine learning | learning curves (改進學習算法:高偏差和高方差與學習曲線的關系)
繪制 學習曲線 pos 情況 但我 容量 繼續 並且 inf 繪制學習曲線非常有用,比如你想檢查你的學習算法,運行是否正常。或者你希望改進算法的表現或效果。那麽學習曲線就是一種很好的工具。學習曲線可以判斷某一個學習算法,是偏差、方差問題,或是二者皆有。 為了繪制一條學習曲
斯坦福大學公開課機器學習: advice for applying machine learning | deciding what to try next(revisited)(針對高偏差、高方差問題的解決方法以及隱藏層數的選擇)
ice 簡單 pos .com img 想要 技術 分割 就是 針對高偏差、高方差問題的解決方法: 1、解決高方差問題的方案:增大訓練樣本量、縮小特征量、增大lambda值 2、解決高偏差問題的方案:增大特征量、增加多項式特征(比如x1*x2,x1的平方等等)、減少la
andrew ng machine learning week9 異常檢測和推薦系統
machine 滿足 購物網站 learn 大於 andrew 地方 平面 類型 異常檢測 概率分布的角度:通過判斷某個樣本的概率分部值和閾值的關系判斷是不是異常樣本 異常檢測的應用: 1. 在線購物網站如何識別異常用戶(欺詐行為或者被盜號) 2. 制造業
[0] Andrew Ng - Machine Learning - by Stanford University
Introduction Welcome to Machine Learning! In this module, we introduce the core idea of teaching a computer to learn concepts using data—without being
機器學習---線性回歸(Machine Learning Linear Regression)
包括 rest 梯度下降法 向量 鞍點 麻煩 貝葉斯 div rem 線性回歸是機器學習中最基礎的模型,掌握了線性回歸模型,有利於以後更容易地理解其它復雜的模型。 線性回歸看似簡單,但是其中包含了線性代數,微積分,概率等諸多方面的知識。讓我們先從最簡單的形式開始。
李巨集毅 機器學習 作業1 Hungyi.Li Machine Learning HW1 PM2.5 Prediction
HomeWork1 PM2.5 Prediction 課程資料: 從印象筆記移過來修改的,懶得編輯太細了,CSDN又不讓直接插圖,CSDN的編輯器老出出現各種錯誤,太麻煩,反正程式碼能跑。 做題思路: 資料處理 id_x是時間點,每一個具體的x,是一個時間點
【Machine Learning】【Andrew Ng】- Quiz2(Week 6)
1、You are working on a spam classification system using regularized logistic regression. “Spam” is a positive class (y = 1) and “no
斯坦福大學公開課機器學習課程(Andrew Ng)五生成學習演算法
課程概要: 1.生成學習演算法(Generative learning algorithm) 2.高斯判別分析(GDA,Gaussian Discriminant Analysis) 3.GDA與logistic模型的聯絡 4.樸素貝葉斯(Naive Bayes) 5.
斯坦福大學公開課機器學習課程(Andrew Ng)四牛頓方法與廣義線性模型
本次課所講主要內容: 1、 牛頓方法:對Logistic模型進行擬合 2、 指數分佈族 3、 廣義線性模型(GLM):聯絡Logistic迴歸和最小二乘模型 一、牛頓方法 牛頓方法與梯度下降法的功能一樣,都是對解空間進行搜尋的方法。 假設有函
Machine Learning week 6 quiz: Machine Learning System Design
You are working on a spam classification system using regularized logistic regression. "Spam" is a positive class (y = 1) and "not spam" is the negative
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 10—Advice for applying machine learning
Lecture 10—Advice for applying machine learning 10.1 如何除錯一個機器學習演算法? 有多種方案: 1、獲得更多訓練資料;2、嘗試更少特徵;3、嘗試更多特徵;4、嘗試新增多項式特徵;5、減小 λ;6、增大 λ 為了避免一個方案一個方
【原】Coursera—Andrew Ng機器學習—課程筆記 Lecture 17—Large Scale Machine Learning 大規模機器學習
Lecture17 Large Scale Machine Learning大規模機器學習 17.1 大型資料集的學習 Learning With Large Datasets 如果有一個低方差的模型, 通常通過增加資料集的規模,可以獲得更好的結果。 但是如果資料集特別大,則首先應該檢查這麼大規模是否真