本文探讨了机器学习中如何通过训练集和测试集来评估模型的性能，强调了训练误差和测试误差的区别。文章指出，一个优秀的模型不应仅使代价函数最小，还要在新数据上表现良好，防止过拟合。标准做法是将数据分为70%的训练集和30%的测试集，根据训练集优化参数θ后，计算测试集的误差以判断模型的泛化能力。同时介绍了回归和分类问题中评估模型的方法，包括误分类率。
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
</
订阅专栏 解锁全文
扫一扫
610
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
