斯坦福大学机器学习笔记——当训练模型性能不好时的措施（假设评估、模型选择和交叉验证集、正则化、学习曲线）

以我们前面讲述的线性回归为例，比如我们在训练集上训练出最优的模型，但是当我们将其使用到测试集时，测试的误差很大，我们该怎么办？ 我们一般采取的措施主要包括以下6种： 增加训练样本的数目（该方法适用于过拟合现象时，解决高方差。一般都是有效的，但是代价较大，如果下面的方法有效，可以优先采用下面的方式）； 尝试减少特征的数量（该方法适用于过拟合现象时，解决高方差）； 尝试获得更多的特征（该方法适用于欠拟

>>阅读原文<<