这一章节其实就是讲一个主题——判断模型有无高方差或高偏差，也就是过拟合还是欠拟合。同时，如果模型有问题，怎么修正这一问题？

需要注意的是，这一章主要针对线性回归问题。当然，这一思路也可以应用于逻辑回归和简单的神经网络的训练。

个人是按照按照作业里设置好的训练步骤，逐条记录，和课程的顺序有所不同。

数据集的划分

NG的建议是，将总数据集划分为60%的Train set，20%的Cross validation set和20%的Test set。这里解释下各集合的作用：

• Train set：训练集。顾名思义，专门用作训练。
• Cross validation set：交叉验证集。是用来辅助训练，判断训练集的拟合情况，绘制学习曲线的。
• Test set：检验集。用来检验训练模型的准确度。

学习曲线

不同情况的特点

这里介绍的是如何通过学习曲线来判断模型的问题。这里有三种学习曲线：

这是高偏差情况。学习曲线的特点是交叉集和训练集曲线趋于收敛，但是收敛值偏高（区分好交叉验证集、训练集和试验集的不同）。对于高偏差情况，一味地增加数据量是没用的。

这是高方差情况。学习曲线的特点是两条曲线很难收敛。对于高方差情况（也就是过拟合），增加数据量是有效的。

这是正确的学习曲线，当然只是理论上的。学习曲线的特点是趋于收敛，且收敛值很低。这里增加数据量也是很有效的。

以作业作为实例

需要注意的是，上面只是理论上的情况。实际上学习曲线不总是那么标准，曲线也不总是那么光滑，比如这次的作业题，当处于欠拟合状态时，学习曲线看起来却没太大问题（？）

如上面两图，从第一幅图里可以判断是欠拟合，第二幅图却看不出问题。但如果对比着正常的拟合情况就会发现问题了。如下是特征增长处理后的拟合情况和学习曲线：

可以看到，正确的拟合情况下，学习曲线的训练误差趋于0，而交叉验证的曲线相对上面那种情况来讲会更低，而且可以判断的是，随着训练集的增加，验证曲线也会逐渐趋向训练曲线。

那么问题来了，针对作业题，过拟合情况是怎样的？之前正确拟合所设置的特征增长维度p=8，当我改为16时图像如下：

可以看到，学习曲线中，训练集误差还和之前一样趋于零，而交叉集的误差波动很大，看不出收敛趋势。
同时，我还发现三幅拟合曲线的纵轴分度各不相同。对于过拟合情况，我们可以判断，一小部分数据的微小干扰，根本不会影响整体的拟合特征。

另外，之所以两种情况训练误差都是0，个人分析原因是数据量太少。如果数据量加大，应该是过拟合趋于0，正常情况下有训练误差，但是误差很小。如果数据量扩大到现有的100倍，有可能过拟合所采用的特征维度才更合适。简而言之，数据量与相对应的合适特征维度应该是有一定的线性关系的。

模型选择

之前其实已经讨论过学习曲线和模型特征维度之间的关系，不过这里还是有必要再做一个总结，如下图：

这是NG之前反复提及的拟合问题，只不过这次用了两个名词来表达——偏差和方差。可以看到，在同样的数据量下，模型维度过高过低都是不合适的。具体的模型维度与误差的关系曲线如下图：

对于线性拟合问题，模型的选择其实就是特征维度的选择。在真实场景中，我们其实很难判断到底多少合适（如上）。好的做法应该是选择一定区间，一个一个跑一遍，比较它们学习曲线的优劣，就如同‘学习曲线’部分所分析的那样。

正则化

之前NG讲过，正则化同样可以解决偏差和方差的问题。也就是说，正则化可以在一定程度上修正训练集过少或特征维度过高，以及特征维度过低所产生的误差。针对之前作业例子中提到的欠拟合和过拟合问题，我们来进行正则化修正，看看效果如何。

修正过拟合问题

首先是过拟合问题，我们先根据如下曲线，选择一个最佳的正则化参数。

可以看到，\(\lambda=3\)是比较合适的。那么我们就选择这个值，修正我们的模型。

拟合情况有所改善，之前一小部分数据的微小干扰，根本不会影响整体的拟合特征，现在已经好多了。另外学习曲线中交叉集误差波动的情况也修正了。可以说十分有效。

修正欠拟合问题

针对本例的欠拟合问题（p=1），我们先看下能不能根据曲线来选择正则化参数。

很遗憾的是，曲线不收敛，我们没法找出最佳参数。那如果我们试下\(\lambda=3\)会怎样？

可以看到，无论是拟合情况还是学习曲线都没有得到明显改善。也就是说，本例中正则化无法修正误差，更合适的做法应该是进行适当的特征增长。

在选择合适模型下正则化

如果模型选择好了，正则化效果如何呢？如下两图：

比起没有正则化时，收敛的趋势更加明显。所以说还是很有效的。

数据随机化

作业题中有一道选作，是针对数据集很小的情况，让我们在训练过程中随机化数据，多次重复拟合并算出误差平均值。需要注意的是，这里每次运行得到的结果都是不同的，但是整体趋势还是稳定不变的。
这里网上很难找到选做题，我也是思考了很久，并且到处搜索，终于找到一篇博客，最终才写出可运行代码。下面贴出代码：

%% ==== Optional exercise 1: Computing test seterror =========
% find better lambda
index = 1;
min = exp(100);
for a = 1:length(lambda_vec)if (min > abs(error_train(a) - error_val(a)))min = abs(error_train(a) - error_val(a));index = a;end
end
lambda = lambda_vec(index);
m = size(X_poly, 1);
n = size(X_poly_test,1);theta = trainLinearReg([ones(m, 1) X_poly], y, lambda);
error_test = linearRegCostFunction([ones(n, 1) X_poly_test], ytest, theta, 0);fprintf('lambda: %f(this value should be about 3)\n', lambda);
fprintf('error_test: %f(this value should be about 3.8599)\n', error_test);
fprintf('Program paused. Press enter to continue.\n');
pause;%% =============== Optional exercise 2 ========================
% Plotting learningcurves with randomly selected examplestic; % 开始计时lambda = 0.01;
m = size(X, 1);
n = size(Xval, 1);
error_train = zeros(m, 1);
error_val = zeros(m, 1);
repeat = 50;
for i = 1:mfor time = 1:repeatseq = randperm(m, i); % 随机化(1:m)序列并选出其中的i个X_poly_rand = X_poly(seq,:);y_rand = y(seq,:);seq_val = randperm(n, i);Xval_poly_rand = X_poly_val(seq_val,:);yval_rand = yval(seq_val,:);theta = trainLinearReg([ones(i, 1) X_poly_rand], y_rand, lambda);J = linearRegCostFunction([ones(i, 1) X_poly_rand], y_rand, theta, 0);Jval = linearRegCostFunction([ones(i, 1) Xval_poly_rand], yval_rand, theta, 0);error_train(i) = error_train(i) + J;error_val(i) = error_val(i) + Jval;end
end
error_train = error_train / repeat;
error_val = error_val / repeat;figure;
plot(1:m, error_train, 1:m, error_val);
title(sprintf('Polynomial Regression Learning Curve (lambda = %f)', lambda));
legend('Train', 'Cross Validation');
xlabel('Number of training examples');
ylabel('Error');
axis([0 13 0 100]);toc; % 停止计时fprintf('Program paused. Press enter to continue.\n');
pause;

这个方法相比之前要运行很久，在我的小破本里一般要6-8分钟，算是让我体验到了机器学习过程中那种奇妙的期待感。

上面的代码，选择的参数p=8，\(\lambda=0.01\)，拟合次数为50次。最终得到的学习曲线如下图：

相比没有这么处理的情况，如下图，似乎更差了？不过还是可以发现，交叉集误差波动没那么大了，收敛的趋势也更加明显。

如果正则化参数为3，其它照旧时，这个方法的学习曲线如下：

总而言之，这个方法是针对数据集量很少的情况，对于误差的计算会更加准确。

总结

本章其实只针对线性回归的拟合修正进行了讨论，当然，其中的一些思想对其它拟合方式也有效，比如说正则化在逻辑回归和简单的神经网络中也很有效。下面对线性回归拟合进行一般性步骤总结：

1. 将总数据集合适划分。
2. 选择合适区间，比较不同特征维度p的学习曲线和拟合情况，选择最合适的特征维度。
3. 选择合适区间，比较不同正则化参数\(\lambda\)的误差曲线，选择合适的正则化参数。
4. 如果数据集很小的话，训练过程中尽量随机化数据，多次拟合并算出误差平均值。