吴恩达机器学习笔记36-正则化和偏差/方差(Regularization and Bias_Variance)

在我们在训练模型的过程中，一般会使用一些正则化方法来防止过拟合。但是我们可能
会正则化的程度太高或太小了，即我们在选择λ 的值时也需要思考与刚才选择多项式模型次
数类似的问题。

我们选择一系列的想要测试的 ? 值，通常是 0-10 之间的呈现2 倍关系的值（如：
0,0.01,0.02,0.04,0.08,0.15,0.32,0.64,1.28,2.56,5.12,10共12 个）。我们同样把数据分为训练
集、交叉验证集和测试集。

选择?的方法为：
1.使用训练集训练出12 个不同程度正则化的模型
2.用12 个模型分别对交叉验证集计算的出交叉验证误差
3.选择得出交叉验证误差最小的模型
4.运用步骤3 中选出模型对测试集计算得出推广误差，我们也可以同时将训练集和交叉验证集模型的代价函数误差与λ 的值绘制在一张图表上：

• 当 ? 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 ? 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
增加

转载于:https://www.cnblogs.com/sl0309/p/10463841.html