评估假设：
模型选择时，利用训练集得到每个模型的最佳Θ值，再利用测试集找到最佳次方的模型。
图上是通过测试集来得到参数d（选用几次函数模型）
用训练集来拟合参数Θ1、Θ2等参数时，那么拟合后的模型在训练集上的效果，是不能预测出对新样本的泛化能力。
所以上面的做法是不合理的。
将数据集分为：训练集、验证集、测试集
此时我们用验证集选择模型，然后用测试集得到泛化误差。
偏差和方差
解决办法：
精准率、召回率：
F_1值
相关文章：
相似解决方案
热门标签
模型选择时，利用训练集得到每个模型的最佳Θ值，再利用测试集找到最佳次方的模型。
图上是通过测试集来得到参数d（选用几次函数模型）
用训练集来拟合参数Θ1、Θ2等参数时，那么拟合后的模型在训练集上的效果，是不能预测出对新样本的泛化能力。
所以上面的做法是不合理的。
此时我们用验证集选择模型，然后用测试集得到泛化误差。
解决办法：
相关文章：