当一个模型达不到预期，可以改进的方法有？

1. 减少不必要的feature
   2.增加有用的feature
   3.增加polynomial
   4.增加m
   5.增加lambda
   6.减少lambda

如何评估一个模型？

1.将samples随机分布
2.将sample 分成training set（70%）和test set（30%）.
3.用training set训练theta
4.计算test set error。
a.输入hx和y。
如果预算成功（hx>=0.5 && y ==1 或者hx <0.5 && y ==0）返回
0，预算不成功返回1.
b. 求和所有samples的预测，除以m。

如何选取polynomial?(model selection problem)

a.将samples分成training set（60%）， cv（cross validation） set（20%）， test set（20%）三部分。
b.用training set对不同degree的poly训练最小cost。
c.在cv set 中找error最小的poly。
d.在test set中计算cost，看看error有多少。

影响准确度的因素，以及如何影响？

poly degree

1. 对于training set：error和poly degree成反比。poly degree 越高，error越小。
2. 对于cv set/test set。有一个中点，在该点error最小，远离该点error变大。
3. bias问题： J-training 和 J-test 都大
   variance问题：J-training很小，J-test很大。

m个数

1. bias时，training set的error起始值很小，随着m增大逐渐升高，升高速率越来越慢；test set、cv set的error起始值高，逐渐降低，降低速率越来越慢，与training set 的error相近。随着m的增加 test set error 不会变化太多。
2. variancne时，training set 和 test/cv set error变化与bias时相类似，但两者相差较远，随着m的增加 test set error 和 training set error 逐渐接近。
3. 所以variance下m多准确率高，而bais 下m多没有用处。

lambda

1. 随着lambda的增大，training set 的 error 增高，增长速率也逐渐增快。
2. 随着lambda增大， test set error图像程凹形，中点error最低，远离中点error逐渐增高。
3. test set 和 training set error 都高说明lambda太大，模型处在high bias中。
4. test set error高， training set error低说明lambda太小，模型处在high variance中。