machine-learning怎样选择训练模型

1.对数据集的处理
一般来说要对数据集作一个2：2：6的处理，分别是测试集，交叉测试集，训练集（且最好是随机化）
2.选择训练模型
训练模型的形状大致跟两个参数有关一个是hypothesis函数的最高幂，用d来表示。
一个是正则项的系数，用λ表示
d的值越高，对数据的拟合度就越高，反之越低
λ过大则有可能出现训练模型为一条直线的情况，λ过小则有可能过拟合

那么要怎么选择这两个的值呢？
首先我们选取幂的值大致在1-10这个范围，一般我会先观察数据集，大致得出一个理想的线条来拟合它，初步估计是怎样的一个线条，不行的话就从中间开始
选取λ的值我们会从0、0.01、0.02、0.04、0.08、0.16、0.32、0.64、1.28、2.56、5.12、10.24这些数中来选。
根据你选的训练模型和你实际数据对比一般有两种情况，一种是欠拟合，一种是过拟合。
欠拟合会出现高偏差的情况，过拟合会出现高方差的情况（不理解没事）

前面说了d的值越高拟合度越高，λ的值越小拟合度越高
接下来用图形展示：

所以d值应取在Jcv最低点处

λ的值类似。。。
另外还有一个特别重要的学习算法，明天再写吧