1.改進模型性能：
1.1獲取更多訓練數據（解決高方差：畫出學習曲線，判斷是否是高方差問題）
1.2改變特徵數量
選用更少的特徵（防止過擬合） （解決高方差）
選用更多的特徵（解決高偏差）
增加多項式特徵（x1的平方，x2的平方，x1*x2等） （解決高偏差）
1.3改變正則化參數
減小lambda （解決高偏差）
增加lambda（解決高方差）
2.模型評估
2.1評估假設（在測試集上）
2.2模型的選擇
通過訓練集的學習，將驗證集的數據帶入假設函數中選擇誤差最小的模型，再在測試集上估計泛化誤差。
2.2診斷偏差和方差
關於偏差和方差的問題，前面已經敘述過https://mp.csdn.net/console/editor/html/105685337，在這裏是一樣的。
判斷方法：繪製學習曲線
3.誤差分析
3.1簡單粗暴的開發一個項目並進行評估
3.2畫出學習曲線，判斷算法存在的問題，
3.3在交叉驗證集上做誤差分析，查看分類錯誤的案例有什麼共同的特徵和規律
4.樣本不均衡分類的誤差評估
| 真實值 | |||
| 預測值 | 0 | 1 | |
| 0 | TN | FN | |
| 1 | FP | TP | |
精確率precision = TP/（TP+FP）所有預測爲正例裏有多少是真正例
召回率recall = TP/（TP+FN）所有真實爲正例預測有多少爲正例
二者越高越好，但現實中二者並不是正相關的關係，所以可以用f1-score來平衡一下二者