下图为四种不同算法应用在不同大小数据量时的表现，可以看出，随着数据量的增大，算法的表现趋于接近。即不管多么糟糕的算法，数据量非常大的时候，算法表现也可以很好。
数据量很大时，学习算法表现比较好的原理：
使用比较大的训练集（意味着不可能过拟合），此时方差会比较低；此时，如果在逻辑回归或者线性回归模型中加入很多参数以及层数的话，则偏差会很低。综合起来，这会是一个很好的高性能的学习算法。
标签：过拟合 学习 http 公开课 性能 一个 模型 算法 分享图片
下图为四种不同算法应用在不同大小数据量时的表现，可以看出，随着数据量的增大，算法的表现趋于接近。即不管多么糟糕的算法，数据量非常大的时候，算法表现也可以很好。
数据量很大时，学习算法表现比较好的原理：
使用比较大的训练集（意味着不可能过拟合），此时方差会比较低；此时，如果在逻辑回归或者线性回归模型中加入很多参数以及层数的话，则偏差会很低。综合起来，这会是一个很好的高性能的学习算法。
斯坦福大学公开课机器学习：machine learning system design | data for machine learning（数据量很大时，学习算法表现比较好的原理）
标签：过拟合 学习 http 公开课 性能 一个 模型 算法 分享图片
原文地址：https://www.cnblogs.com/chenwenyan/p/8326027.html
