线性回归和特征缩放

Question

以下是一些我无法找出错误之处的问题，因为我提交的这些答案的问题是错误的。我添加了图像的屏幕截图以及我了解的每个选项的说明。问题纯粹基于讨论，简短。

我发布了这个问题，以深入了解这些主题及其工作原理。

请帮帮我。

---

A。我们需要预测作者的性别，它可以是男性或女性。我认为这是分类问题，因此是监督学习。

B。我们给了一组垃圾邮件，需要预测是否有子类型是垃圾邮件。我认为这是分类问题，因此是监督学习。

C。我们需要根据身高和年龄来预测数据。这是一个线性回归问题，因为我们创建图的高度与年龄的关系将找出测试用例。这是有监督的学习。

D。数据分组是一个集群问题，因此它是无监督学习。

  

---

在下面的问题中，我检查了C和D选项，因为特征缩放可在相同范围内创建数据集，这有助于以更少的迭代次数预测最佳theta，并且轮廓图将更加清晰和对称。参考：https://medium.com/greyatom/why-how-and-when-to-scale-your-features-4b30ab09db5e

  

---