一、Evaluating a Learning Algorithm
训练后测试时如果发现模型表现很差，可以有很多种方法去更改：
- 用更多的训练样本；
- 减少/增加特征数目；
- 尝试多项式特征；
-
增大/减小正则化参数\(\lambda\)。
那么该怎么去选择采用哪种方式呢？
一般将70%的数据作为训练集，30%的数据作为测试集。
先用训练集最小化\(J_{train}(\Theta)\)，得到一组参数值\(\Theta\)；
然后计算测试集误差\(J_{test}(\Theta)\)：
对于线性回归：
对于逻辑回归：
测试集的平均误差（分类错误的比率）：
假设要选择用几次多项式\(d\)去作为假设函数，那么做法就是不断尝试\(d\)，选择一个在测试集上损失最小的\(d\)，以此作为模型泛化能力的衡量。但是这样是有问题的，因为\(d\)相当于是被测试集训练的，再用测试集去测试，很不公平。所以一般将数据集分为3部分：60%训练集、20%交叉验证集、20%测试集：二、Bias vs. Variance
看图：
正则化和Bias/Variance的关系：
训练集大小与Bias/Variance的关系：
## 三、Error Analysis
Andrew推荐的流程：
## 四、Handling Skewed Data
如果数据集中正负类的数据规模差距过大，只用误差衡量模型是不可靠的，此时需要查准率和召回率两个指标。
如何权衡这两个指标，一般使用\(F1\)得分：
\[F_1=2\frac{PR}{P+R}\]