1.改进模型性能：
1.1获取更多训练数据（解决高方差：画出学习曲线，判断是否是高方差问题）
1.2改变特征数量
选用更少的特征（防止过拟合） （解决高方差）
选用更多的特征（解决高偏差）
增加多项式特征（x1的平方，x2的平方，x1*x2等） （解决高偏差）
1.3改变正则化参数
减小lambda （解决高偏差）
增加lambda（解决高方差）
2.模型评估
2.1评估假设（在测试集上）
2.2模型的选择
通过训练集的学习，将验证集的数据带入假设函数中选择误差最小的模型，再在测试集上估计泛化误差。
2.2诊断偏差和方差
关于偏差和方差的问题，前面已经叙述过https://mp.csdn.net/console/editor/html/105685337，在这里是一样的。
判断方法：绘制学习曲线
3.误差分析
3.1简单粗暴的开发一个项目并进行评估
3.2画出学习曲线，判断算法存在的问题，
3.3在交叉验证集上做误差分析，查看分类错误的案例有什么共同的特征和规律
4.样本不均衡分类的误差评估
| 真实值 | |||
| 预测值 | 0 | 1 | |
| 0 | TN | FN | |
| 1 | FP | TP | |
精确率precision = TP/（TP+FP）所有预测为正例里有多少是真正例
召回率recall = TP/（TP+FN）所有真实为正例预测有多少为正例
二者越高越好，但现实中二者并不是正相关的关系，所以可以用f1-score来平衡一下二者