每天五分钟机器学习：通过训练集和测试集分别求出训练和测试误差

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

假设我们有一组数据集，为了检验算法是否过拟合，我们将数据分成训练集和测试集，通常用 70%的数据作为训练集，用剩下30%的数据作为测试集（通常对数据进行"洗牌"，然后再分成训练集和测试集）。