我对本书中的代码做了详尽的注释，放到了我的github，star我哦(✪ω✪)
Q：凸函数与凹函数
原文：线性回归模型的MSE成本函数恰好是个凸函数
凸函数 convex function
凹函数 concave function
可以按以下方法来记忆凸函数和凹函数，凸函数曲线上方的图形是往下凸的，所以称之为凸函数;凹函数上方图形是往下凹的，所以称之为凹函数。只要记得和中文里的凹凸是相反的就可以了。更多记忆方法参考知乎。
Q：代码
原文
m = 100
X = 6 * np.random.rand(m, 1) - 3
y = 0.5 * X**2 + X + 2 + np.random.randn(m, 1)
需要注意这里一句是np.random.rand()：生成均匀分布的伪随机数，介于（0,1）之间；
另一句是np.random.randn()，生成正态分布的伪随机数。
Q：偏差/方差权衡
https://blog.csdn.net/ChenVast/article/details/79257387
当训练集和测试集的误差收敛但却很高时，为高偏差。
左上角的偏差很高，训练集和验证集的准确率都很低，很可能是欠拟合。
我们可以增加模型参数，比如，构建更多的特征，减小正则项。
此时通过增加数据量是不起作用的。
当训练集和测试集的误差之间有大的差距时，为高方差。
当训练集的准确率比其他独立数据集上的测试结果的准确率要高时，一般都是过拟合。
右上角方差很高，训练集和验证集的准确率相差太多，应该是过拟合。
我们可以增大训练集，降低模型复杂度，增大正则项，或者通过特征选择减少特征数。
理想情况是是找到偏差和方差都很小的情况，即收敛且误差较小；偏差和方差相互影响，为此需要找到偏差与方差之间的权衡，故称之偏差/方差权衡。
转自Alice熹爱学习
注意这里的学习曲线和书中的学习曲线的区别，此处纵坐标是准确率，绘出的图线一般训练集在上，测试集在下，且曲线越高模型预测越好；书中的图形纵坐标是RMSE，性质与此处相反。
网友评论