【1】 诊断的作用
【2】过拟合
【3】
【4】
高偏差bias，欠拟合underfitting
高方差variance，过拟合overfitting
【5】参数λ
Answer： λ太大，则参数都被惩罚，导致欠拟合，两个J都大。 λ太小，则欠拟合，Jtrain 小，Jcv大。
【6】
Answer：过拟合的时候，增加训练集有用。
【7】
Answer：过拟合，增加 hidden 层数无用。
-------------------------------------- 下面是Lecture 11 的内容
【8】
Answer：
A 正确。不容易猜测哪个feature是最有用的
B 错误。是一种方法，significant improve 不一定
C 错误。 是一种方法，always be good 不一定
D 正确。gut feeling直觉，不推荐只根据直觉判断。
【9】Jtest 和 Jcv
【10】错误度量
Answer： Precision = 80/(20+80) = 0.8， Recall = 80/(80+80) = 0.5
【11】 F1 score
【12】大数据集
Answer：如果数据所含的信息很少，增大数据集也不能解决问题。
测验
Answer：第一个欠拟合，两个误差都大。第二个过拟合，train小，cv大。
Answer：BC，过拟合：使用小的特征集， 增大λ。
Answer：AB，欠拟合：增大特征集， 增加多项式次数，减小λ。
Answer：AD
Answer：ABCF
A 高偏差，欠拟合说明模型不好，应该增加feature
C 参数过多，更容易过拟合
D 错误。增加 hidden 数，不能解决过拟合
E 错误。欠拟合，通过增加feature可以优化
F 过拟合，通过增加训练集可以优化
--------------- 下面是Lecture11 的内容
Answer： recall=85/（85+15）=0.85
Answer： BD
A 错误。如果features太少,多加入polynomial features 也不能够完全模拟出训练样本的特征。就像预测房价，只用房子面积这一个特征，再加上面积1次方,2次方组成的polynomial,就算训练样本再多,也不能预测出正确的房价
B 正确 给专家一个x feature就可以准确的预测出y. 即所选的特征x含有足够的信息来准确预测y
C
D 正确。我们的学习算法能够表示相当复杂的功能（例如，训练神经网络或其他具有大量参数的模型）。模型复杂，表示复杂的函数，此时的特征多项式可能比较多，能够很好的拟合训练集中的数据，使用大量的数据能够很好的训练模型。
Answer：D
threshould 设定越低，查准率precision越低、查全率recall越高，因为更多负例被判断为正例。
threshould 设定越高，查准率precision越高、查全率recall越低，因为有更多正例被漏掉。
Answer：ACDFG
- Accuracy = (true positives + true negatives) / (total examples)
- Precision = (true positives) / (true positives + false positives)
- Recall = (true positives) / (true positives + false negatives)
- F1 score = (2 * precision * recall) / (precision + recall)
A 正确。好的模型应该同时具有较高的precision和recall
B 错误。表现应该类似
C 正确。如果都判断为非垃圾邮件，recall=0/(0+99)=0，precision=0/(0+1)=0，accurancy=(0+99)/100 = 0.99
D 正确。交叉验证集合和训练集来源相同，表现应该类似。
E 错误。如果都判断为垃圾邮件，recall=1/(1+0)=1，precision=1/(99+1)=0.01
F 正确。同C
G 正确。同E
Answer：DEF
A 错误。不应该开始就花大量时间去收集大量数据，而应该有重点地收集有用数据
B 错误。模型欠拟合，多收集数据没有帮助。如果模型太简单、特征太少，则应该增加多项式特征，而不是收集数据
C 错误。因为可能存在偏斜数据集，最终阈值不一定是0.5
D 正确。手动检查分类错误的数据会有帮助
E 正确。使用特别大的数据集合能避免过拟合
F 正确。在很偏斜的数据集上，应该使用F1 值，而不是使用accuracy