1.判断过拟合：
将数据集以7：3分为训练集和测试集，如果数据是有序的，最好随机选择以7：3的比例划分。
首先训练：通过训练集最小化
得到
（使用训练集）
然后计算误差：(使用测试集）
如果很大，则说明存在过拟合。
2.模型选择（次数、特征数等）
将数据集分为训练集、交叉验证集、测试集。一般按照6：2：2的比例。
先用训练集得到,使用交叉验证集来选择模型：最小化J 得到
然后计算
，选取
最小的对应的次数。最后用
进行测试。
3.高偏差（Bias)和高方差：
高偏差：很大，
也很大，接近于
.是一种欠拟合的情况，在正则化时，
过大也会导致这个情况。
扫描二维码关注公众号，回复：
4138397 查看本文章
高方差：很小，
很大，是一种过拟合问题，在正则化时，
过小也会导致这个问题。
这里的d指的是多项式的最高次数，在本例中，最小的点对应的次数为最佳合适的多项式次数。
4.学习曲线
在高偏差的情况下，随着训练集m的增大，J_train会趋于平稳。因此在这种情况下，增加再多的训练集也没有什么效果。
对于高方差来说，一开始，训练集和交叉验证集的差距很大，但是随着数据集的增大，两个结果会越来越相近，因此对于高方差来说，增加训练集是有用的。
5.总结
对于大型神经网络出现的过拟合问题可以用正则化来解决，我们俩隐藏层的层数当作多项式次数来用J_cv进行评估和筛选。
1)高方差问题：更多的数据、更少的特征、提高来解决。
2）高偏差：更多的特征、更大的多项式次、降低来解决。