机器学习的数据分为三类：训练集、验证集和测试集，刚开始看tensorflow时一直没搞懂验证集是做什么的。

假如要在10个不同次数的多项式间选择，那么训练集就是训练参数每个式子的参数θ，验证集就是用来选择这十个式子哪个误差最小的，因为参数是用训练集训练出的，所以如果再用训练集数据去比较哪个式子误差小会不准确。

一般训练集数据占60%，验证集和测试集各20%。

误差与多项式次数

如图是训练集代价误差和验证集代价误差与多项式次数的关系。

对于训练集来说，d较小时，模型拟合程度低，误差大，随着d的增长误差越来越小，拟合程度越来越高。（最后会过拟合，但是对于训练集的代价函数误差一直是变小）。

对于交叉验证集来说，d较小时，拟合程度低，误差大，随着d的增大，误差变小，之后由于过拟合，误差又会变大。

训练集误差和验证集误差近似时：偏差（欠拟合）
验证集误差远大于训练集误差时：方差（过拟合）

正则化与偏差/方差

常用正则化方法来防止过拟合，因此参数的选择也要思考类似的问题。

λ越大，就会越减少过拟合现象的出现。

λ的选择通常是 0-10 之间的呈现 2 倍关系的值（如：0,0.01,0.02,0.04,0.08,0.15,0.32,0.64,1.28,2.56,5.12,10 共 12 个）

• λ 较小时，训练集误差较小（过拟合）而交叉验证集误差较大
• 随着 λ 的增加，训练集误差不断增加（欠拟合），而交叉验证集误差则是先减小后增加

学习曲线就是一种很好的工具，我们经常使用学习曲线来判断某一个学习算法是否处于偏差、方差问题。学习曲线是学习算法的一个很好的 合理检验（sanity check）。

学习曲线是将训练集误差和交叉验证集误差作为训练集实例数量（m）的函数绘制的图表。

如何利用学习曲线识别高偏差（欠拟合）、高方差（过拟合）？

作为例子，我们尝试用一条直线来适应下面的数据，可以看出，无论训练集有多么大误差都不会有太大改观。

如图所示，高偏差（欠拟合）的情况下，增加数据到训练集不一定能有帮助。

假设我们使用一个非常高次的多项式模型，并且正则化非常小，可以看出，当交叉验证集误差远大于训练集误差时，往训练集增加更多数据可以提高模型的效果。

也就是说在高方差（过拟合）的情况下，增加更多数据到训练集可能可以提高算法效果。

让我们来看一看我们在什么情况下应该怎样选择：

• 获得更多的训练实例——解决高方差
• 尝试减少特征的数量——解决高方差
• 尝试获得更多的特征——解决高偏差
• 尝试增加多项式特征——解决高偏差
• 尝试减少正则化程度 λ——解决高偏差
• 尝试增加正则化程度 λ——解决高方差

Written by Armin Li , a venture capitalist. [Weibo] [Subscribe]