1. 为什么需要模型评估
   

• 我们可以借助图像来判断模型是否良好。
• 但当我们用单一特征来绘制f(x)图像时，模型容易出现过拟合现象。但如果增加一些输入特征的种类，绘制图像又会变得很困难。而模型评估可以解决这一痛点。

2. 模型评估
   

• 通常我们将数据集的一大半设为训练集，一小半设为测试集。mtrain表示训练样例的个数，mtest表示测试样例的个数。
  
• 对线性回归模型，我们可以用带正则化项的成本函数来得到使成本函数最小的w、b
• 可以通过不带正则化项，且数据为测试集来得到模型是否在新数据上表现良好，即不过拟合，能很好的泛化新数据
• 可以通过不带正则化项，且数据为训练集来得到模型是否在训练集上表现良好
  
• 上图为线性回归模型过拟合的Jtrain、Jtest图像，它虽然能很好的拟合训练集，即Jtrain的值很小，但不能很好的拟合测试集，即Jtest的值很大
  
• 对逻辑回归模型，依然可以使用带正则化项的成本函数来得到使成本函数最小的w、b
• 用Jtest、Jtrain来判断模型对测试集和训练集是否拟合良好，而Jtest、Jtrain仍然不带正则化项
  
• 对于逻辑回归模型，还有一种方法用来判断模型是否对测试集和训练集拟合良好
• 分别计算Jtrain、Jtest对训练集和测试集分类错误的比例，并用此来判断模型是否拟合良好