过拟合问题
（1）underfitting（欠拟合）
如果我们的假设函数是一个一次函数，我们可能最后得到的是这样的一条直线，很容易看出它的拟合效果不是很好，这种情况我们称之为欠拟合。
（2）just right(拟合的很好)
（3）overfittiing（过拟合）
如果我们给假设函数加入很多的高阶项，最后得到的曲线会想尽一切办法，把所有的数据点都拟合进去，这样的情况称过拟合
这种情况下，看似所有的数据都被拟合进去，但是这条曲线却会不停波动，不是一个好的假设函数，这种状况的原因是因为我们有太多变量θ，却没有足够的数据集去限制这些变量。
正则化
如何解决过拟合问题，一般来说有两种方法
1.减少特征变量
导致过拟合的原因就是我们有太多的特征变量而没有足够的数据集，如果我们能够通过手动选择减少一些变量，或者通过一个叫 model selection的算法自动识别能减少哪些变量，就能够解决过拟合问题。
2.regularization(正则化)
如果我们不能够减少变量的数量，那么也可以用正则化的思想去解决过拟合问题。这个方法的思想是在代价函数里加入惩罚项
例如像这样在上面过拟合例子的代价函数里对θ3，θ4加入惩罚项，这样做的结果是我们最后得到的假设函数中，θ3，θ4就会很小，看起来就和二次函数差不多。
在实际情况中，我们并不知道哪些项应该尽可能小最好，所以在正则化中，我们采取的方法是对每一个参数都加入惩罚项，这样得到一个新的代价函数
这里的
叫做正则化参数，它有两个目标，一是要与前面的项关联，去更好的拟合数据，第二个目标是尽量让每个参数更小，以实现正则化的目标。
需要在这两个目标中间找到一个平衡。
所以如果这里
太大，如
,那么会导致对每一项的惩罚力度过大，从而每一项都接近于0，这样只会得到一条直线，从而导致欠拟合问题。