ML coursera 提交（第 2 周）特征归一化答案

【问题标题】：ML coursera submission (week 2) Feature NormalizationML coursera 提交（第 2 周）特征归一化
【发布时间】：2018-03-03 06:24:52
【问题描述】：

我为“特征规范化”部分编写了以下代码

这里 X 是特征矩阵 (m*n) 使得

m = number of examples 
n = number of features

代码

mu = mean(X);
sigma = std(X);
m = size(X,1);

% Subtracting the mean from each row 
for i = 1:m
    X_norm(i,:) = X(i,:)-mu;
end;

% Dividing the STD from each row 
for i = 1:m
    X_norm(i,:) = X(i,:)./sigma;
end;

但是在将它提交到为 Andrew Ng 的课程构建的服务器时，它并没有给我任何确认它是错误的还是正确的。

==
==                                   Part Name |     Score | Feedback
==                                   --------- |     ----- | --------
==                            Warm-up Exercise |  10 /  10 | Nice work!
==           Computing Cost (for One Variable) |  40 /  40 | Nice work!
==         Gradient Descent (for One Variable) |  50 /  50 | Nice work!
==                       Feature Normalization |   0 /   0 |
==     Computing Cost (for Multiple Variables) |   0 /   0 |
==   Gradient Descent (for Multiple Variables) |   0 /   0 |
==                            Normal Equations |   0 /   0 |
==                                   --------------------------------
==                                             | 100 / 100 |

这是 Web 前端表示层中的错误还是我的代码中的错误？

【问题讨论】：

我投票决定将此问题作为离题结束，因为这是课程管理员的问题，而不是 SO。
您本可以将其发布在课程论坛上。这里不适合解决这个问题！

标签： machine-learning submit octave normalization

【解决方案1】：

课程结束时，最终正确答案为featureNormalize.m：

function [X_norm, mu, sigma] = featureNormalize(X)
  %description: Normalizes the features in X
  %   FEATURENORMALIZE(X) returns a normalized version of X where
  %   the mean value of each feature is 0 and the standard deviation
  %   is 1. This is often a good preprocessing step to do when
  %   working with learning algorithms.
  
  X_norm = X;
  mu = zeros(1, size(X, 2));
  sigma = zeros(1, size(X, 2));
  
  % Instructions: First, for each feature dimension, compute the mean
  %               of the feature and subtract it from the dataset,
  %               storing the mean value in mu. Next, compute the 
  %               standard deviation of each feature and divide
  %               each feature by it's standard deviation, storing
  %               the standard deviation in sigma. 
  %
  %               Note that X is a matrix where each column is a 
  %               feature and each row is an example. You need 
  %               to perform the normalization separately for 
  %               each feature. 
  
  mu = mean(X);
  sigma = std(X);
  X_norm = (X - mu)./sigma;
end

如果您正在参加这门课程并有复制和粘贴的冲动，那么您就处于学术诚信的灰色地带。你应该从第一原理中弄清楚，而不是谷歌它并反刍答案。

【讨论】：

请不要只发布代码作为答案，还要解释您的代码的作用以及它如何解决问题的问题。带有解释的答案通常更有帮助、质量更好，并且更有可能吸引投票。

【解决方案2】：

试试这个它的工作原理，并注意到你在除以 X 的每一行而不减去均值时犯了错误。

将两者结合起来使用更少的代码 -

% 从每一行中减去平均值并除以 STD：

for i = 1:m
    X_norm(i,:) = (X(i,:) - mu) ./ sigma;
end;

【讨论】：

【解决方案3】：

您需要对每个功能进行迭代

m = size(X,1);

你实际上用 m 得到的是 ROWS 的数量（示例），但你想得到 COLUMNS 的数量（特征）

解决方案：

m = size(X,2);

【讨论】：

【解决方案4】：

当 submit() 没有给你任何分数时，这意味着你的答案不正确。这通常意味着，要么你还没有实现它，要么你的实现有错误。

据我所知，您的索引不正确。但是，为了不违反本课程的行为准则，您应该在 Coursera 论坛中提问（不要发布您的代码）。

每个编程练习都有教程。这些通常很有帮助，可以指导您完成整个练习。

【讨论】：