机器学习：诊断偏差和方差

如果一个机器学习算法表现不理想，要么是欠拟合，要么是过拟合。越高次方越能代表我们的训练集，但能适应训练集并不代表能推广至一般情况。

高偏差：训练误差很大，训练误差与测试误差很小，随着样本增多，训练误差增大。

高方差：训练误差很小，训练误差与测试误差差距很大，随着样本增多，测试误差会减小。

训练集误差和交叉验证集误差近似时：高偏差。

交叉验证集误差远大于训练集误差时：高方差。

在训练模型的过程中，一般会使用一些正则化的方法来防止过拟合。

当 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

学习曲线是学习算法的一个很好的合理检验。

解决高方差：

1. 获得更多的训练实例

2. 尝试减少特征的数量

3. 尝试增加正则化程度 λ

解决高偏差：

1. 尝试获得更多的特征

2. 尝试增加多项式特征

3. 尝试减少正则化程度 λ