当训练集增大时，开发集（测试集）损失应该降低，但是训练集损失会增大。
用一个例子展示这种效果：假如训练集只有2个样本：一个猫图片，一个非猫图片，对于算法来说很容易记得这两个样本，从而在训练集上获得0%的错误率。即使两个样本的标签都错了，对于算法来说还是很容易记住这些标签。（注：标签错了，算法记住错的标签，训练集上分类错误率也为0）。
现在假设训练集有100个样本，其中少量样本的标签是错误的，或者一些图片模糊不清，连人类都没法分辨是不是猫的图片。算法还是可能记住所有的训练样本，但是要获得100%的准确率比较困难了。将训练集从2个样本增加到100个样本，你会发现训练集准确率会稍微下降。
最后，假设训练集有10,000个样本。这样的话，算法将难以完美的拟合这10,000个样本，特别是在有模糊不清或是错误标签的情况下，因此学习算法将会在训练集上表现的更差。
对前一节的图在添加一个训练集损失
可以看到随着训练集的增大，蓝色线（训练集损失）将会增加。更进一步的，算法在训练集上性能一般比开发集好，因此，红色的开发集损失曲线一般都会在蓝色线的上方比较接近的地方。
下一节讨论如何解释这幅图。