之前小编就给大家提过正则化（超链接），其实还有很多定义大家是有点模糊又有点清楚的，今天好好带大家一起捋一遍~~
正确地配置训练、验证和测试数据集，会很大程度上帮助大家创建高效的神经网络。即使是深度学习专家也不太可能一开始就知道匹配度最高的参数，深度学习网络需要多次循环往复，才能为应用程序找到最佳的神经网络，因此循环该过程的效率是决定项目进展速度的一个关键因素，而创建高质量的训练数据集，验证集和测试集也有助于提高循环效率。
在机器学习发展的小数据量时代，常见做法所有数据中存在70%的验证集，剩下的30%作为测试集，如果没有明确设置验证集的话，可以将训练集、验证集、测试集以3:1:1的标准划分。（这点小编应该也在之前的机器学习系列中给大家普及过）而当涉及大量数据的时候，验证集和测试集占数据总量的比例会趋向于变得更小。（没错，验证集的目的就是验证不同的算法，检验哪种算法更有效，因此，验证集要足够大才能评估，而因为我们的数据总量是巨大的，因此即使验证集所占的比例很小，但是其数据量也是可观的）。所以当数据集规模较大的，验证集和测试集要小于数据总量的20%或10%。
当然，小编这里还有两个小TIPS，大家可以细品一下：
1.尽可能使验证集和测试集的数据来自同一分布；
2.就算没有测试集也无伤大雅，只需要在训练集上训练，尝试不同的模型框架，在验证集上评估这些模型，然后迭代并选出适用的模型。
假设给上图中的数据集拟合一条直线，可能会得到一个逻辑回归拟合，但是并不能很好地拟合该数据，这就是高偏差（high bias）的情况，即欠拟合。
而如果拟合一个非常复杂的分类器适用于这个数据集，这时候就可能会出现方差较高（high variance），数据过度拟合（overfitting）的现象。
当然，介于欠拟合与过拟合之间也会存在适度拟合（just right）的情况，使得数据拟合看起来更加合理。
理解偏差和方差的两个关键数据是训练集误差（Train set error）和验证集误差（Dev set error）。
1.假定训练集误差是1%，验证集误差是11%，可以看出训练集设置得非常好，而验证集设置相对较差，可能过度拟合了训练集，像这种情况，我们称之为“高方差”。
2.假设训练集误差是15%，验证集误差是16%，算法并没有在训练集中得到很好训练，如果训练数据的拟合度不高，就是数据欠拟合，就可以说这种算法偏差比较高。另一方面，它对于验证集产生的结果却是合理的，验证集中的错误率只比训练集的多了1%。
3.训练集误差是15%，偏差相当高，同时验证集的错误率达到30%，这样一来方差也很高。
4.最匹配的结果模型：训练集误差是0.5%，验证集误差是1%，偏差和方差都很低。
因此当初始模型训练完成后，我们首先需要知道算法的偏差高不高，如果较高，甚至无法拟合训练集，那么我们就需要毫不犹豫地选择一个或多个新的网络。
采用规模更大的网络，延长训练时间也可以试试看，直到解决偏差问题，实现数据拟合。
如果偏差降低到可以接受的数值，查看验证集性能检查方差，如果方差高，那就是采用更多数据来解决问题，当然无法增加数据，那么就可以采用我们之前提到的正则化来减少过拟合。
为什么正则化可以减少方差问题？这里可以具体给大家讲解一下：
左图是高偏差，右图是高方差，中间是恰好合适。
假设上图为一个过拟合的神经网络，代价函数J，含有参数W，b。添加正则项避免数据权值矩阵过大。
如果正则化设置得足够大，权重矩阵W被设置为接近于0的值，将多隐藏单元的权重设为0，消除了隐藏单元的影响。如果是这种情况，神经网络会变成一个很小的网络，小到如同一个逻辑回归单元，可是深度却很大，使网络从过度拟合的状态更接近左图的高偏差状态。但是会存在一个中间值，于是就会有一个接近“Just Right”的中间状态。
假设使用的是双曲线激活函数。
用g(z)表示tanh(z)，只要z非常小，激活函数开始变得非线性。
如果正则化参数λ很大，激活函数的参数会相对较小，因为代价函数中的参数变大了，如果W很小，z也会很小。
总结来说，如果正则化参数变得很大，参数W很小，z也会相对变小，此时忽略b的影响，z会相对变小。激活函数tanh曲线函数会相对呈线性，整个神经网络会计算离线性函数近的值，不会发生过拟合。
当然啦，正则化我们之前只是做了比较简单的介绍，下期我们进行更加详细的介绍~再会！
