一、过度拟合
对于图中的例子，
可以看出第一幅图中使用一个变量从而用一条直线来拟合数据，可以看出效果不好，偏差很大，因此，定义其为：欠拟合（underfit），高偏差(high bias)；
第三幅图中，使用多个变量，高次数来拟合数据，可以看出全部数据都能很好的拟合，但是这种情况导致拟合函数变量过多，复杂度高，对于新的样本拟合度欠佳，因此无法泛化到其他样本，称其为：过度拟合（overfit），*高方差 （high variance）
因此，过度拟合的特点如下：
看看另一个例子
对于第一个图，使用两个变量，可以拟合出一条直线，可以看出效果不是很好，这也是一个欠拟合的例子。
对于第二个图中，增加了假如了一些二次项，很好的拟合了数据，可以说是训练集训练出的最好拟合结果。
对于第三个图中，使用了很多的高阶项，会使逻辑回归自身扭曲，过度拟合了数据，形成图中的决策边界。这是一个过度拟合的例子。
二、解决过度拟合
同样在这个问题中，假设我们只有很少的样本数量，并且样本的特征值很多的时候，那么就会出现过度拟合的问题。
解决这个问题有两个思路，
第一种方法就是【减少特征的数量】：通过【人工检查】来决定或者使用【模型选择算法】自动选择，这两个措施都可以解决过拟合，然而会去掉一些特征，但是我们有时候并不想舍弃一些看起来有用的特征。
第二种方法就是【正规化】：保留所有的特征，但是减少参数theta(j)的量级（magnitude）或者大小（value）。这种措施能够很好的作用，使得当有很多特征时，每一个特征将会对预测值y产生一点影响。
下面我们介绍正规化。
三、 正规化（regularization）
这个图中，我们根据前面的知识知道图二过拟合，一般性不好。在所有的特征中，我们根据关联度来抉择那个特征的权重，也就是特征的亲疏关系，如果特征的重要性不高的话，那么我们就通过某种方法降低这个特征的影响力，这种方法就是正规化。
如图中，我们假设theta(3),theta(4)的权重不高，也就是他们两个参数的关联度不够重要，我们需要降低他们两个的影响。
那么我们通过在代价函数中通过增加后面两个式子，这样在计算某个theta的最小值时，
例如计算theta(3)的时候，后面增加了1000*theta(3)^2,要使得代价函数最小，那么我们可以知道，theta(3)的值必须趋近于0的时候，整个代价函数才能够得到最小值。
这样的结果，最终我们可以获得更小的theta(3),theta(4)的值，那么在拟合函数里面，
,theta(3),theta(4)的影响力下降，整个式子接近与二次函数，从而拟合度更好！
正规化的好处于：
1.更简单的拟合函数
2.不易发生过拟合问题
在这个问题中，可以看到有100个特征，101个参数，类似的，在很多问题中，我们不知道这些特征的关联度，因此无法很好的选择该“惩罚”那个特征，因此我们就对所有的参数进行收缩惩罚，【下标从1开始的】
因此，正规化的公式如下：
这里有一个问题，当我们随意选择labmda的时候，假设我们使得lambda很大，
会发生什么情况呢？
有前面的思路，我们可以知道，labmda越大，那么参数theta(1),theta(2)..都会变得非常小， 那么拟合函数就如图中成为了一个常数函数直线theta(0)，造成的结果就是【过拟合】
四、正规化在线性规划的应用
在这张图片中，我们将正规化的代价函数应用到梯度下降算法中，可以看到之后新的迭代公式，其中，
为啥会是小于1的呢？alpha一般很小，而且m是很大的存在，一般差值为0.99？有点不明白。
对于线性规划的另一种方法---正规方程
【暂且不懂】
五、线性规划对于逻辑回归的应用
正规化的代价函数如图，
应用于梯度下降，迭代公式如图，
