本文重点
我们前面学习了损失函数,损失函数可以认为是样本的误差。本节课程我们将损失细化,分为训练集损失还有测试集损失,所以数据样本就要分为两个部分,一个部分是训练集,一个部分是测试集
什么模型是一个好的模型
我们认为最好的参数θ就是使得代价函数J最小的参数θ,但是仅仅最小化代价函数J得到参数θ,并由此确定的模型并不能说这个就是一个好的模型(假设函数)。
因为有可能得到一个过拟合的假设函数,所以这个假设函数推广到新的训练集(测试集)中并不适用(泛化效果不好),那么应该如何判断这个假设函数过拟合呢?
我们可以这样来操作,我们可以对假设函数hθ(x)进行画图,观察图形趋势,但是对于特征变量不只是一个的这种情况,想通过画hθ(x)的图像是很难实现的,因此我们需要另外一种方法来评估我们的假设函数,下面我们就介绍一种评估假设函数的标准方法。
评估假设函数的标准方法
回归
</