學習曲線是橫座標為訓練樣本數量，橫座標為誤差。畫的有兩條曲線，一條是訓練集誤差，一條是交叉驗證的誤差。
學習曲線可以反應兩種情況，一種是高偏差，一種是高方差。
高方差：過擬合，擬合效果過好，但是泛化效果差，無法泛化新的資料
高誤差：欠擬合，擬合程度太差，誤差太大。
反應在學習曲線上就是：
高偏差：
訓練集誤差曲線開始很小，隨著樣本數量變多，越來越大，然後不再變化；交叉驗證誤差開始很大，隨著樣本數量變多降低，然後不再變化，兩條曲線越來越近，趨於平衡不變的點在乙個較高的誤差。交叉驗證的誤差和訓練集誤差差不多。
也就是說隨著樣本數量越來越多，但是後來會得到一條基本不變的直線，並不會因為訓練樣本數量的增加而變化。高偏差的演算法並不能通過增加樣本數量得到改進，降低誤差，所以從學習曲線上看，如果是高偏差的情況，就不要增加樣本數量。
高方差：
隨著樣本量的訓練集誤差越來越大，交叉驗證誤差越來越小，這兩條曲線之間有很大的gap,隨著訓練樣本越來越大，這兩個曲線會越來越近。
也就是說，對於高方差的情況，增加訓練樣本可以改進演算法效果。如果通過學習曲線判斷出來是高方差的情況，就可以增加樣本數量。
所以通過學習曲線可以判斷改進演算法要採用什麼樣的策略，判斷是出於高方差還是高偏差，換句話就是判斷這個演算法是過擬合還是欠擬合。
VIM學習曲線 a
這裡記錄下自己在學習vim過程中的一些坎坷和總結吧！後面補充 今天看到不少同學收藏，看樣子還是有很多人和我一樣的初級學習菜鳥，哈哈，這裡再次申明，文章主要內容是從鏈結的原文作者 拷貝出的，其中自己有小的修改，另外，我會參考其他文章，將常用的一些東西都加入進來，後期會慢慢更新，其中一些說的不清楚的地方...
Python KNN 學習曲線
學習曲線的目的是選擇更好的模型引數。以最近鄰演算法為例，選取最近的多少個資料點，才能達到最優。可以控制訓練集不動，調整最近的點的個數，繪製學習曲線。import matplotlib.pyplot as plt score krange range 1,21 k值取值範圍 for i in kran...
機器學習 學習曲線
檢視模型的學習效果 通過學習曲線可以清晰的看出模型對資料的過擬合和欠擬合 len x train 個訓練樣本，訓練出 len x train 個模型，第一次使用乙個樣本訓練出第乙個模型，第二次使用兩個樣本訓練出第二個模型，第 len x train 次使用 len x train 個樣本訓練出最後乙...