学习曲线是在训练集大小不同时，通过绘制模型训练集和交叉验证集上的准确率来观察模型在新数据上的表现，进而判断模型的方差或偏差是否过高，以及增大训练集是否可以减小过拟合。验证曲线展示了模型在某个超参数的不同取值下的训练误差和验证误差的变化情况。如果训练误差和验证误差之间的差距较大，说明模型对特定的超参数值非常敏感，可能存在过拟合。观察训练误差和验证误差随超参数变化的趋势，选择使验证误差最小的超参数值。

solver：选择求解器类型，影响计算效率和适用场景。shrinkage：是否使用 shrinkage 方法，有助于改善协方差矩阵的估计。priors：设置类别的先验概率，影响模型的分类决策。：降维后的特征数量，控制降维的程度。：是否存储协方差矩阵，影响内存使用。tol：收敛阈值，仅在时使用，控制最小二乘法的收敛条件。

如果我们此时追求的是最大化降低模型的运行时间，我们甚至可以直接选择50作为特征的数目，这是一个在缩减了94%的特征的基础上，还能保证模型表现在90%以上的特征组合，不可谓不高效。在修剪的集合上递归的重复该过程，直到最终到达所需数量的要选择的特征，区别于嵌入法每次都是用全部特征来进行训练和建模，因此包装法需要的计算成本位于嵌入法和过滤法中间。注意，在这个图中的“算法”，指的不是我们最终用来导入数据的

solver：选择求解器类型，影响计算效率和适用场景。shrinkage：是否使用 shrinkage 方法，有助于改善协方差矩阵的估计。priors：设置类别的先验概率，影响模型的分类决策。：降维后的特征数量，控制降维的程度。：是否存储协方差矩阵，影响内存使用。tol：收敛阈值，仅在时使用，控制最小二乘法的收敛条件。

solver：选择求解器类型，影响计算效率和适用场景。shrinkage：是否使用 shrinkage 方法，有助于改善协方差矩阵的估计。priors：设置类别的先验概率，影响模型的分类决策。：降维后的特征数量，控制降维的程度。：是否存储协方差矩阵，影响内存使用。tol：收敛阈值，仅在时使用，控制最小二乘法的收敛条件。

学习曲线是在训练集大小不同时，通过绘制模型训练集和交叉验证集上的准确率来观察模型在新数据上的表现，进而判断模型的方差或偏差是否过高，以及增大训练集是否可以减小过拟合。验证曲线展示了模型在某个超参数的不同取值下的训练误差和验证误差的变化情况。如果训练误差和验证误差之间的差距较大，说明模型对特定的超参数值非常敏感，可能存在过拟合。观察训练误差和验证误差随超参数变化的趋势，选择使验证误差最小的超参数值。