仍然以预测房价为例，为了提高模型表现，通常会有如下几个措施：
评估hypothesis（机器学习诊断法） 从模型得出的hypothesis可能会很好拟合当前数据，但泛化性能太差，即overfit。所以为了更好评估hypothesis，作者这里将数据分成俩部分。 一般取数据的前70%作为训练集，剩下的作为测试集。 以线性回归为例： 1）、对训练集进行学习，得到参数theta 2）、计算测试误差，使用从训练集中学习到的参数theta。
在分类问题中测试误差J（theta）也称做误分类率（也叫0/1错分率）表示你预测到的正确或错误样本的情况。比如：(这两种情况下我们的假设都对样本进行另外误判，否则其他情况下假设值都能正确的对样本yy进行分类) 我们可以用误分类率来定义测试误差：
多项式模型的选择及验证集的引入 因为当模型overfit时，泛化效果太差，hypothesis不理想，为了达到更好的效果，不光要考虑参数theta，还要考虑如何确实多项式的次数d 把这些所有的模型都求出测试集误差，算出每个模型的J-test（theta），找出测试集误差最小的模型。 我们再引入验证集：一般的分割如下 计算训练集/验证集/测试集的误差 接下来就是模型选择： 1）、通过训练集对每一个假设函数去求最小化的代价函数J(theta)，并求得参数theta 2）、在验证集中测试这些假设的表现 3）、选择验证集中误差最小的假设模型，找到多项式系数d 4）使用测试集来评估模型表现
