看过吴恩达的对过拟合和欠拟合的分析，这里做一下小小的总结：课程主要从验证误差和训练误差着手分析，高的variance意味着过拟合，高的bias意味着欠拟合。 （1）随着多项式的阶数的增加，交叉验证误差先减小，后增大；训练误差不断减小，当交叉验证误差和和训练误差都很大时候，交叉验证误差大约等于训练误差，此时欠拟合；随着多项式的阶数的不断增大，到交叉验证误差远远大于训练误差，属于过拟合的情况。 （2）正则化下variance和bias的分析 随着lambda的增大，交叉验证误差先减小到最低点在增大，训练误差由小变大，到最后和交叉验证大约相等，根据上面的分析，当交叉验证误差和训练误差大约相等的时候，属于bias欠拟合问题，当lambda很小的时候，交叉验证误差远远大于训练误差，此时是variance过拟合问题。 （3）训练数据量的大小对模型的检验 随着训练数据的增多，交叉验证逐渐降低，训练误差不多增多，当训练样本数据足够大的时候，训练误差大约等于交叉验证误差。 当模型处于欠拟合的状态下的时候，交叉验证误差和训练误差已经大约相等了，这个时候，增加训练样本的数量并不能改善欠拟合 当模型处于过拟合的状态下的时候，交叉验证误差和训练误差之间还相差一个很大的沟壑，还没有达到相等，增加训练数据量，有助于使之趋向于相等，即增加数据量有助于改善过拟合。 （4）神经网络的variance和bias 当运用少量神经元的时候，就意味着有很少的参数，即一个小的神经网络有高的bias，常常是欠拟合状态 当运用大量神经元的时候，就意味着模型有很多的参数，则模型更有可能是过拟合的，解决的办法是增大正则化项，有正则化的大的神经网络往往是优于小的神经网络的。 当运用含有隐藏层的神经网络的时候，选择隐藏层的数目往往需要通过测试数据进行测试，来比较不同的隐藏层的网络模型误差的大小，来选择最优的模型。