- 解决高偏差和高方差的新方法
- 之前，我们需要通过选取多项式次数以及正则化参数λ，来平衡高方差和高偏差
- 只要训练集不是特别大，那么一个大型的神经网络总能很好的适应训练集，即它的Jtrain很低
- 由此可以得出，若要减小Jtrain，可以增大神经网络，即增加隐藏层的层数或增加单层隐藏层中的神经元
- 而若要降低Jcv，可以增大训练集。最终，只有Jtrain和Jcv均很小，此模型才算解决了高方差和高偏差
- 此方法的局限性：首先，更大的神经网络，意味着更昂贵的计算成本。其次，有时训练数据只有这么多，无法增加
- 一个大型的神经网络如果进行适当的正则化后，不会增大Jcv
- 因此只要正则化得当，大型的神经网络不会有过拟合的风险，且它通常比小型的神经网络要好或一样好，但是它会增加计算成本以及增加计算的时间
- 通常我们不会对参数b进行正则化，因为无论是否正则化b都对结果没什么影响
- 上图为，在tensorflow中实现正则化的代码与不实现正则化的代码进行了对比
