在前文中，我们知道了什么是过拟合，什么是欠拟合。我们之前讨论出的结果都是没有经过检验，默认其是一个比较不错的模型的。但是在真正的现实生活中，我们可能会训练出一个恰到好处的模型吗？
以前文中经常提到的房价预测为例，假设我们训练出一个房价预测模型，结果我们发现它用来预测的结果非常糟糕。也就是说我们训练的模型不好，那么，如何去将模型变得更好呢？怎样才是好呢？我们需要有可以评价模型的方法。
这样的话，我们可以根据这个评价模型的方法，来观察训练得出的模型结果，进而发现问题所在，找出合理的解决办法，再重复之前的过程优化模型。
而一般情况下，当我们发现模型的预测结果很糟糕时，我们可能会考虑这么些解决方案：
- 获得更多样本
- 改变特征数量
-
改变惩罚项系数
不着急，让我们带着想法，边思考边学习，Let’s go!
————-我是萌萌哒分割线——————-
就像前文我的理解，机器学习本质上就是训练出一组参数，使之可以对未知样本进行高概率地分类或回归预测。所以，我们评价模型，本质上其实就是对参数
的评价，即我们要选出一组最适合的参数
。所以，怎么具体评价呢？
当我们获得一组训练数据集时，不要着急全部用于训练，我们可以将之分为2部分，第一部分我们称之为 training set（训练集），另一部分我们称之为 test set（测试集），我们通过训练集来训练出模型，用测试集来测试误差以评价模型好坏。
而测试集误差的公式为：
版权声明：本文为portfloat原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。