- λ对Jcv和Jtrain的影响
- 假设该模型为四阶多项式
- 当λ很大时，在最小化J的过程中，w会很小且接近0，此时模型f(x)近似于一个常数，所以此时模型欠拟合，Jtrain和Jcv都很大
- 当λ很小时，表示模型几乎没有正则化，而四阶多项式的模型十分弯曲，所以此时模型过拟合，Jtrain很小，Jcv远大于Jtrain
- 当λ取中间值，模型刚好拟合良好、泛化良好，此时Jtrain很小、Jcv也很小
- 如何选择一个合适的λ
- 第一次，假设λ为0，最小化成本函数J后得到一组w、b，之后计算这组参数对应的Jcv
- 第二次，假设λ为0.01，最小化成本函数J后得到一组w、b，之后计算这组参数对应的Jcv
- …以此类推，例如：第十二次，假设λ为10…
- 通过这些不同λ对应的Jcv的值，来选择一个最小的Jcv对应的λ值，此时的λ为正则化参数的最佳值
- 此例中，如果第5次的Jcv最小，则我们选择第5次的λ、w、b，最后可以选择输出第5次的模型所对应的Jtest值，即该模型的test泛化能力
- λ如何影响Jtrain和Jcv
- λ对Jtrain和Jcv的影响如上图所示，此图近似看作d对Jtrain和Jcv的影响图的镜像，
- 通过最小Jcv，可以帮助选择一个合适的λ、d，从而帮助选择合适的模型（泛化良好、拟合良好）
