评估性能
评估损失
1、Training Error
首先要通过数据来训练模型，选取数据中的一部分作为训练数据.
损失函数可以使用绝对值误差或者平方误差等方法来计算，这里使用平方误差的方法，即： (y-f(x))2
使用此方法计算误差，然后计算所有数据点，并求平均数。
Training Error 越小，模型越好？答案是否定的，下面看看Training Error 和模型复杂度的关系。
从上的的图可以看出，要想使training error越小，模型就会变得越复杂，然后出现了过拟合的现象
很有可能训练数据中有个别异常数据点，如果过度拟合所有的数据点，就会导致模型过拟合，并不能很好的对房价进行预测；
training error 小，并不能说明是个很好的预测。
2、Generalization (true) error 真实误差
首先说明的一点是这个值是不能计算出来的；
计算真实误差，首先需要知道真实值，训练数据中的数据不一定就代表真实值，不过可以通过训练数据中的平均值来估算出来。
比如，计算房子A的房价，找出所有与A类似的房子求出房价，计算平均值。来估算房价。
下面来看看真实误差和模型复杂度的关系：
图像中的真实值，参考图像中颜色变浅的中间位置
通过上图可以看出，模型简单和模型过度复杂，都不能很好的对数据进行预测
3、Test Error
Test Error 和 True Error 接近，Test Error的测试数据来自测试数据集。
对测试数据集进行计算误差，计算方法和Training Error类似。
Training, true, & test error 和 模型复杂度的比较：
test error 在 true error的周边波动，接近true error的值。
从上图中可以看出，总结出过拟合的判断：
模型中存在估计参数w‘
1. training error(w) < training error(w‘)
2. true error(w) > true error (w‘)
说明w过拟合
误差的3个来源
Noise, Bias, Variance
1、Noise 噪声
固有的，不可约减的
2、Bias 偏差
模型越简单，偏差越大
模型越复杂，偏差越小
3、Variance 方差
模型简单，方差小
模型复杂，方差大
偏差和方差权衡，偏差和方差不能计算
training error和测试数据量的关系，固定的模型复杂度，少量数据拟合更好，误差会更小;随着数据量的增大，误差也随之增大，会达到一个临界点与true error 相等。
true error 和测试数据量的关系，固定的模型复杂度，少量的数据的true error会更大;随着数据量的增大，误差也随之减小，会到达一个临界点与training error 相等。
