学习曲线用于检验你的学习算法是否运行正常（即是否处于高偏差或高方差，或二者均有），或者你想改进你的学习算法。
在这里插入图片描述
从图像分析：：交叉验证集误差曲线和训练集误差曲线很快就接近平稳，且稳定在一个较高的水平。
这里出现高偏差，是由于参数过少（项数太少），而训练数据量又太大了。
当出现高偏差时，即使增加训练数据也不会有太大作用。
从图像分析：交叉验证集误差曲线比训练集误差曲线高很多，但交叉验证集误差曲线能一直降低。
上图出现高方差是由于项数过多（即参数过多，）而正则化参数过小，而导致。而当出现高方差时，增加训练数据是能减小误差的。
总结：假设函数的项数（即参数个数，也即是特征个数）和正则化参数都能影响高偏差和高方差的出现。
正则化参数越大，对参数θ(i)的约束能力就越强，那么参数θ(i)就越接近0,整个图像就越接近一条直线，出现欠拟合。
在高阶多项式中，正则化参数越小，对参数θ(i)的约束能力就越弱，相当于没有,拟合能力过强，泛化能力差，出现欠拟合。
选择神经网络的层数方法：
将数据分成训练集，验证集，测试集，然后在一次训练出含不同隐藏层数的神经网络模型，然后在有验证集检验哪个的误差更小，选择最优的那个。