📝 【Machine Learning】練習測驗：迴歸
請先填寫您的資料
進度：1 / 10
總分：100 分
題目 1：題目 7 / 10
單選題 - 10分對於線性迴歸，如果你找到參數 $w$ 和 $b$, 讓 $J(w,b)$ 非常接近零, 這意味著什麼?
所選的參數 $w$ 和 $b$ 造成演算法對訓練集的擬合非常差
所選的參數 $w$ 和 $b$ 導致演算法非常貼合訓練集
不可能, 程式碼一定有錯誤
題目 2：題目 1 / 10
單選題 - 10分根據符號表示，在訓練集中，符號 $x$ 代表什麼？
輸出的目標值 (Target/Output)
訓練範例的數量 (Number of training examples)
特徵/輸入 (Feature/Input)
模型參數 (Parameter)
題目 3：題目 2 / 10
單選題 - 10分在單變數線性迴歸中，模型表示式 $f_{w,b}(x) = wx+b$ 所計算出來的值，是對於輸出目標 $y$ 的預測值。請問在來源資料的選項中，哪個符號通常用來表示模型預測的輸出值？
$y$
$m$
$\hat{y}$
$x$
題目 4：題目 3 / 10
單選題 - 10分下列哪個選項完整且正確地描述了單變數線性迴歸模型的標準表示式？
$f(x) = w + b$
$f(x) = wx + b$
$J(w,b)$
$m$
題目 5：題目 4 / 10
單選題 - 10分在線性迴歸模型 $f_{w,b}(x) = wx+b $ 中，變數 $w$ 和 $b$ 統稱為模型的什麼？
成本函數（Cost Function）
參數（Parameters）、係數（coefficients）或權重（weights）
訓練範例（Training example）
預測值（Prediction）
題目 6：題目 5 / 10
單選題 - 10分在線性迴歸模型中，成本函數 $J(w,b)$ 的正式名稱為何？
平方誤差成本函數（Squared error cost function）
最小化函數（Minimize function）
絕對值誤差函數（Absolute error function）
梯度下降函數（Gradient descent function）
題目 7：題目 6 / 10
單選題 - 10分成本函數 $J(w,b)$ 的公式為 $J(w,b) = \frac{1}{2m} \sum\limits_{i = 1}^{m} (f_{w,b}(x^{(i)}) - y^{(i)})^2$。請問公式中的 m 代表什麼？
權重（Weight）
偏移項（Bias）
訓練範例的數量（Number of training examples）
第 $i$ 個訓練範例
題目 8：題目 8 / 10
單選題 - 10分在線性迴歸中，用於訓練模型的資料集合被稱為什麼？
測試集（Test set）
訓練集（Training set）
驗證集（Validation set）
特徵集（Feature set）
題目 9：題目 9 / 10
單選題 - 10分在線性迴歸中，成本函數 $J(w,b)$ 的主要用途是什麼？
衡量模型預測值與實際值之間的整體誤差
直接計算出最準確的預測值 $\hat{y}$
選擇要放入訓練集的資料點數量
視覺化輸入特徵 $x$ 和 輸出 $y$ 的關係
題目 10：題目 10 / 10
單選題 - 10分在平方誤差成本函數 $J(w,b) = \frac{1}{2m} \sum\limits_{i = 1}^{m} (f_{w,b}(x^{(i)}) - y^{(i)})^2$中，$(f_{w,b}(x^{(i)}) - y^{(i)})$ 這部分代表什麼意義？
模型的斜率參數 $w$
對於單一訓練樣本，模型預測值與實際值的差異
整個訓練集的平均誤差
第 $i$ 個訓練樣本的原始輸入值 $x^{(i)}$
🎉 測驗完成！
--
計算中...