一、判断偏差和方差
以多项式回归为例，红点为训练集数据，绿点为交叉验证数据。
下图的模型，训练集误差大，交叉验证集误差大，这代表偏差很大
下图的模型，训练集误差小，交叉验证集误差小，这代表模型合适
下图的模型，训练集误差小，交叉验证集误差大，这代表方差很大。
下图是随着多项式的次数增加，训练集误差和交叉验证集误差的走势。如果没有正则项，随着多项式的次数增加，训练集误差变小，交叉验证集误差先降低后升高。
二、正则项的偏差和方差
在已经选择了多项式次数的前提下，正则化参数的选择对训练集和交叉验证集误差的影响如下：
如果正则化参数很大，训练集误差很大，偏差很大
如果正则化参数合适，训练集和交叉验证集误差会很小
如果正则化参数很小，相当于没有使用正则化，容易过拟合，，训练集误差小，交叉验证集误差大，方差会很大
三、建立性能基准
以语音识别为例，如果使用模型进行语音转文字，错误率有10.7%。单看这个数字，似乎错误率很高。但是如果很多语音有嘈音，导致人类也无法听清这些语音的文字，人类进行语音转文字时的错误率有10.3%。以人类水平作为基准，10.7%的错误率并不高，这个模型很合适。
建立性能基准的方法：
- 根据人类能做到的水平
- 根据竞争算法能做到的水平
- 根据以往经验推测
四、学习曲线
学习曲线：随着训练集规模的增大，训练集和交叉验证集的误差曲线
学习曲线的趋势：随着训练集规模越来越大，训练集误差增加，交叉验证集误差减小
例子：给定一个二次回归模型，当有一个、两个、三个数据点，训练集误差为0或者非常非常小，但是当数据点增加，模型很难匹配上所有的训练集数据点，因此训练集误差增加。
4.1 高偏差场景
在高偏差的情况下，随着训练集规模提高，训练集误差增加，交叉验证集误差减小，越到后面，训练集误差和交叉验证集误差曲线趋于平缓。即使继续增加训练集数据，训练集误差和交叉验证集误差变化不大，且高于性能基准线。
以线性回归模型为例，不管训练集数据点有多少，线性回归模型都无法匹配上训练集，因此继续增加训练集数据点，也无法减小交叉验证集误差。
4.2 高方差场景
在高方差的情况下，随着训练集规模提高，训练集误差增加，交叉验证集误差减小，如果继续增加训练集数据，交叉验证集误差继续减小，可以到达性能基准线。
以四次多项式回归模型为例，当训练集的数据点少时，容易发生过拟合，当增加训练集数据点，可以减少过拟合。
五、解决高偏差和高方差问题
以下手段，分别可以解决高偏差和高方差问题
- 获取更多的训练数据——解决高方差问题
- 尝试减少特征——解决高方差问题
- 尝试其他的特征——解决高偏差问题
- 尝试增加多项式——解决高偏差问题
- 尝试减小正则化参数
——解决高偏差问题
- 尝试增大正则化参数
六、神经网络的偏差和方差
在神经网络中，如何处理高偏差和高方差问题：
1、当训练集误差大，说明偏差大，需要建立更庞大的神经网络（建立更多的隐藏层、神经元），来减小偏差
2、当训练到训练集误差小，但交叉验证集误差大，说明方差大，需要获取更多的数据，然后重新训练模型，直至满足偏差和方差很小。
建立庞大的神经网络消耗性能，需要更强的计算机能力。
与此同时，庞大的神经网络需要引入正则项，避免过拟合。
TensorFlow的代码实现：
蓝框中的0.01指的是值
学习来源：吴恩达机器学习，12.1-12.6节
