• get more training examples
• try smaller sets of feature
• try getting additional features
• try adding polynomial features
• try increasing/decreasing $\lambda$

Evaluating a hypothesis

将数据集划分成训练集和测试集，大约按7:3进行划分。划分的时候注意要随机划分。

Model Selection and training/validation/test sets

将假设的次幂d也看做是一个参数。然后模型选取的过程如下：

1. 每个假设（d不相同）通过训练集来学习$\theta$
2. 对每个假设得到交叉验证集的误差$J(\theta {)}_{cv}$，选择最小的$J({\theta }_{opt})$。这一步实际是对交叉验证集的拟合，所以为了避免过拟合，需要进行第三部
3. 在测试集上得到测试集误差$J({\theta }_{opt})$，即当前模型的评估。

训练集：交叉验证集：测试集 = 6：2 : 2

diagnosing bias vs. variance

Regularization and bias/variance

Learning Curves