Q1过拟合的问题
训练集表现良好，测试集表现差。鲁棒性差。以下是两个例子（一个是回归问题，一个是分类问题）
第一个图明显欠拟合，第三个图过度拟合，拟合函数复杂，虽然对于训练集具有很低的代价函数，但是应用到新样本的能力并不高，图二则是两者的均衡。
解决办法：
（1）丢弃一些不能帮助我们正确预测的特征。可以使用工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（PCA）；
（2）正则化。保留素有的特征，但是减少参数的大小。
Q2代价函数
其中λ称为正则化参数。
经过正则化处理的模型和原模型的可能对比如如下：
不对θ0正则化。
Q3正则化线性回归
对于j=1,2,3……有：
可以看出，正则化线性回归的梯度下降法的变化在于，每次都会在原有算法的更新规则的基础上令θ值减少了一个额外的值。
正规法一次计算全局最小值
Q4正则化的逻辑回归模型
逻辑回归模型的正规化与线性回归正规化不同点在于h(x)的不同
词汇
overfitting problem ---过度拟合 regularization ---正则化