《统计学习方法》（第二版）1.4 1.5
1.4 模型评估与模型选择
1.4.1 训练误差与测试误差
当评估时使用的损失函数给定时，训练误差和测试误差成为学习方法评估的标准。
测试误差反映了学习方法对未知的测试数据集的预测能力（泛化能力1）。
1.4.2 过拟合与模型选择
当选择的模型复杂度过大时，过拟合现象就会发生。
过拟合是指学习时选择的模型所包含的参数过多，以至出现这一模型对已知数据预测得很好，但对未知数据预测得很差的现象。
两种常用的模型选择方法：正则化和交叉验证
1.5 正则化与交叉验证
1.5.1 正则化
如前所示，正则化是结构风险最小化策略的实现，具体参见: https://www.cnblogs.com/angelica-duhurica/p/10884104.html
正则化项可以取不同的形式。
e.g.回归问题：损失函数是平方损失。
正则化项可以是参数向量的\(L2\)范数（向量的长度）
\[ L(w)=\frac{1}{N}\sum_{i=1}^N(f(x_i;w)-y_i)^2+\lambda ||w||^2 \]正则化项可以是参数向量的\(L1\)范数（向量中各个元素绝对值之和）
\[ L(w)=\frac{1}{N}\sum_{i=1}^N(f(x_i;w)-y_i)^2+\lambda ||w||_1 \]
各个范数解释参考: https://blog.csdn.net/zouxy09/article/details/24971995
正则化符合奥卡姆剃刀原理：在所有可能选择的模型中，能够很好地解释已知数据并且十分简单才是最好的模型，也就是应该选择的模型。
1.5.2 交叉验证
- 理想：样本数据充足，将其分为训练集（用来训练模型）、验证集（用于模型的选择）、测试集（用于对学习方法的评估）。
- 实际：样本数据不充足，采用交叉验证。
交叉验证：重复地使用数据，将切分的数据进行组合。
简单交叉验证
随机地将数据分为两部分，分别是训练集和测试集。
S折交叉验证 S-fold cross validation
随机地将数据分为S个互不相交、大小相同的子集，利用S-1个子集作为训练集，余下的1个作为测试集；将S种选择重复进行，选择S次中平均测试误差最小的。
留一交叉验证
S折交叉验证中S=N。适合数据缺乏的情况。N为给定数据集的容量。
测试误差评价泛化能力依赖于测试数据集，很有可能不可靠。↩