''编号按照对应的内容，1-1代表第一大部分遇到的第一题，R代表Review，C代表运行的代码（Code）。
1-1.
解：D
A：如果线性回归不适用于分类任务，就像前面的视频中的示例一样，应用特征缩放不会有所帮助，错误。
B：如果训练集满足0<yi<1，则对于a的所有值(xi，yi)，线性回归的预测不满足0<h(x)<1，错误。线性回归的值是可以取一条直线，可以想象，除垂直于x轴外，其余直线的取值包含整个实数域。
C：如果特征x能完美预测y，x>=c时y=1，x<c时y=0线性分类将是零分类误差，错误。此问题尚未说明是二分类问题，y的取值不一定只有0和1。
1-2.
解：A
二分类问题中，y=0的概率与y=1的概率和为1。
1-3.
解：A
5-x1>0时y=1，即x1<5时y=1。
2-1.
解：B
凸函数只有一个局部最优解，也是全局最优解。
2-2.
解：ABD
A：如果h函数能与y完美契合，那么代价函数值为0，正确。
B：如果y=0，h趋于1时代价函数趋于无穷，正确。
C：错误。
D：无论y=0还是y=1，如果h函数等于0.5，则与这两个值都有差距，故代价函数大于0，正确。
2-3.
解：B
使用logistic的代价函数作为每次迭代的函数，这样就可以确保J(θ)在每次迭代中都减少。
2-4.
解：A
向量化的实现需要计算每个样本的误差和，只有A符合。
2-5.
解：C
CODE1和CODE2属于不同的梯度更新，B应用的应该是theta(0)和theta(1)。
2-6.
解：B
多分类，k类就需要k个分类器。
3-1.
解：C
过拟合意味着在训练集上效果很好，在测试集上效果很差。
3-2.
解：C
正则项λ设置的太大，图像上可以看出趋近于一条平行于x的一条直线，很容易就欠拟合。也可以这样理解，过大的λ也就代表了误差的对于函数J的影响变小，也就是代价函数主要受θ控制，而不再受误差影响。
3-3.
解：C
正则化后每次θ的系数会变小一点。
3-4.
解：C
引入正则化是相加。
R
R1-1
解：AB
逻辑回归的值代表着类别为1的概率。
R1-2.
解：AB
A：添加多项式特征会提高训练数据的拟合程度，正确。
B：θ的最佳值时，我们的函数J大于等于0，正确。因为从图像中可以看出，使用这个模型不能完全拟合，存在着一定的误差。
C：添加多项式系数，拟合程度会变高，代价函数J会下降，错误。
D：逻辑回归函数h的值不可能大于1，错误。
R1-3.
解：AB
A中的h函数可以用B中对应位置的函数代替。
R1-4.
解：AB
A：因为H_theta(x)总是0到1，故CostFunction按照定义一定是大于等于0的，正确。
B：sigmoid函数对的值不会大于1，正确。罗辑回归可以使用“区分一类和其他剩下类”的方法
C：如果使用线性回归所做预测的阈值进行分类，线性回归对分类并非总有很好的效果，错误。
D：逻辑回归是凸函数的优化，逻辑回归一定会收敛到全局最优解，错误。
R1-5.
解：D
-6+x2>0时y=1，即x2>6时y=1。
R2-1.
解：D
A：添加新的特征不能避免过拟合，错误。
B：引入正则化并非会在训练集上表现得更好，一般来说会变差，错误。
C：引入正则化也不一定会在非训练数据集中表现更好，错误。
D：添加一个新特征一定会在训练数据集中表现的更好，正确。
R2-2.
解：A
引入正则化后θ会变得更小。
R2-3.
解：B
A：使用过大的λ会导致欠拟合，错误。
B：分类问题中，如果引入正则化，会导致部分的训练数据错误分类，正确。
C：使用过大的λ值会导致更差的h函数的表现，错误。
D：正则化对逻辑回归也有效果，错误。
R2-4.
解：A
低误差，高准确度，预测曲线又太过复杂。
R2-5.
解：A
有很多数据点都不在曲线上。