一.线性回归步骤
（1）使用test 数据集训练学习率，
（2）计算J(θ)的最小值
二.逻辑回归步骤
比照上面，多了一步错误分类
三.高偏差与高方差
高偏差：训练数据和交叉验证数据的错误都很大（左侧方框）
高方差：训练集的错误很少，交叉验证错误很多
加入正则化项后的结果（和上面的刚好相反）
四.学习曲线
当出现高偏差时：收集过多的数据也没有用，因为模型过于简单
在高方差的情况下，数据多可以使测试集的结果变得准确
解决不同问题的方法
使用神经网路拟合的方法：尝试一二三层隐藏层的Jcv，那个效果好就用哪个
五.查准率与召回率计算方法（当出现偏斜类数据时的检测方法）
如何衡量查准率和召回率：F值（调和平均数）
多参数保证偏差足够小，大量数据保证方差足够小，两者合二为一就是完美
1216
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
