Week7_Support Vector Machines课后习题解答

大家好，今天和大家讨论一下coursera网站上Stanford University的机器学习第7周：Support Vector Machines的课后作业解答。我将给出这些题目和选项的翻译以及个人对题目的见解和看法，这些观点中有些可能是错误的，如有发现，请留言批评指正，谢谢。特此提醒，由于不同学生的题目参数，选项都会不同，请同学们不要照抄，因为我的答案给你可能完全是错误的答案，但是每道题的原理都是一样的。

这周的课程中，吴恩达老师主要向我们介绍了四大方面的内容。

1.SVM从逻辑回归算法的演化过程以及它的具体模型。

2.为何SVM算法又称Large Margin Classification,解释SVM的边界Margin的具体含义。

3.Kernal的具体定义以与SVM算法结合的使用方法。

4.SVM的具体使用步骤，linear kernel,Guassian kernel自定义kernel的选取原则。Multi-calss classification的分类方法。在不同训练样本数m和特征值个数n的情况下，如何选择Logistic regression,SVM or Neural Networks.



好的，话不多说，下面直接进入我们的习题解答。

1.第一题





（1）题意：假设利用高斯核函数训练支持向量机，得到如下的决策线。你认为你的算法对数据集欠拟合的，你应该增大还是减小C？增大还是减少方差sigma^2？

a.增大C，增大sigma^2

b.减小C，增大sigma^2

c.减小C，减小sigma^2

d.增大C，减小sigma^2

（2）分析：C=1/lambda，由于是欠拟合，我们需要减小lambda,即增大C。增大sigma^2会使曲线变得更加平缓，使模型more like underfit，故我们要减小sigma^2。

（3）答案：d

2.第二题







（1）题意：给定高斯核函数如题目中式子所示，下面这张图画的是f1在sigma^2=1情况下的分布图形，请问下面四张途中哪张是sigma^2=0.25时的分布图形？

（2）分析：首先，我们看到图形的中心在（5，5）左右，改变sigma的值是不会改变中心的。其次，减小sigma的值，曲线会变得更加尖锐，曲线的斜率会加大，更加陡峭。

a.曲线中心还是（5，5）而且变陡峭了，正确。

b.曲线中心还素（5，5）但是曲线便舒缓的，错误。

c.曲线在两个维度上的舒缓成都不同，但是题目图中是相同的，错误。

d.曲线的中心不再（5，5），而且舒缓程度不变，错误。

（3）答案：a

3.第三题




（1）题意：SVM要解决的就是最小化题目中所示的式子，其中cost0(z)和cost1（z）的图形如题中所示。当下面哪两个条件为0时，式子的第一部分的值为0？

a.对于任何y=0,theta’*x小于等于0

b.对于任何y=1,theta’*x大于等于1

c.对于任何y=1,theta’*x大于等于0

d.对于任何y=0,tehta’*x小于等于-1

（2）分析：从上面的图中就可以看出，放y=0时，cost0(z)的值在z小于等于-1时为0；当y=1时，cost1(z)在z大于等于1时为0，故选择b,d。注意，SVM的代价函数是从逻辑回归的代价函数发展而来的，对于逻辑回归的分类，我们选择a,c，但是他的前面那项也不能为0.

（3）答案：b,d

4.第四题




（1）题意：假设我么的数据的特征值数n=10，共有m=5000个训练样本。在利用梯度下降的方法计算逻辑回归分类器后，你发现分类器欠拟合，对训练样本和交叉验证样本没能达成预期的效果。请选择下面所有可以解决这个问题的选项。

a.使用含有很多隐藏单元的神经网络

b.使用不同的最优化算法，因为使用梯度下降的算法训练逻辑回归也许达到的是局部最小值。

c.减小训练集的样本数

d.添加更多新的多项式特征，如：x1x2,x1x2x3等

（2）分析：吴恩达老师在视频中说过，对于n很大（10000），m较小（10-1000），使用逻辑回归算法或者无核函数的SVM算法；当n较小（1-1000），m中等大小（10-10000）时，用SVM算法；当n较小（1-1000），m很大（大于50000）时，创造更多的特征值，再用逻辑回归或者无核函数的SVM算法。神经网络适用于以上任何情况，单数训练速度慢。

a.由于神经网络的隐藏单元越多，对训练样本的你和程度越高。神经网络也可用于体重所给的n,m，故正确。

b.个人觉得错误，可能利用梯度下降算法得到的当前的最小值是局部最小值，这个位置的你和程度不是很高，如果利用不同的最优化算法可能也会达到这个点。其实只要改变初始化theta即可，不用改变最优化算法。

c.减小训练样本数并不能解决欠拟合问题，在第六章中的learning curves中已经给出解释，不选。

d.由于是欠拟合，所以增加一些多项式特征可以帮助欠拟合，正确。

（3）答案：a,d

5.第五题




（1）题意：选出下面所有正确的陈述。

a.高斯核函数的最大值为1

b.如果数据是线性可分的（决策先为直线），一个无核函数的SVM算法都会返回相同的参数theta，无论如何改变C的值。

c.如果你利用一对多的方法训练SVM算法，不能用任何核函数。

d.假设你有2维的输入样本，线性核函数（无核函数）的SVM算法得到是决策线是一条直线

（2）分析：

a.正确，最大为1最小为0，值越大表示越相似。

b.正确，因为数据都是线性可分的了，所以前面哪项的值完全可以等于0，改变C的值无意义，不会影响参数theta的取值。

c.错误，one-vs-all是先把一类自成一类，其余类看成第二类，这样就化解为2类的SVM计算问题。而解决这种问题完全可以用核函数。

d.正确，因为是无核函数，则theta’f = theta’ x = theta0*x0+theta1*x1+theta2*x2,为直线.

（3）答案：a,b,d

这道题博主也做错了，个人感觉是b或者d中其中一个选项错了，但不知道到底是哪个，求学霸解答!