學(xué)習(xí)曲線：一種用來判斷訓(xùn)練模型的一種方法嚼鹉，通過觀察繪制出來的學(xué)習(xí)曲線圖沪摄，我們可以比較直觀的了解到我們的模型處于一個什么樣的狀態(tài)植榕，如：過擬合（overfitting）或欠擬合（underfitting）
1：觀察左上圖橘忱，訓(xùn)練集準確率與驗證集準確率收斂赴魁，但是兩者收斂后的準確率遠小于我們的期望準確率（上面那條紅線），所以由圖可得該模型屬于欠擬合（underfitting）問題鹦付。由于欠擬合尚粘，所以我們需要增加模型的復(fù)雜度，比如敲长，增加特征郎嫁、增加樹的深度、減小正則項等等祈噪，此時再增加數(shù)據(jù)量是不起作用的泽铛。
? ? 2：觀察右上圖，訓(xùn)練集準確率高于期望值辑鲤，驗證集則低于期望值盔腔，兩者之間有很大的間距，誤差很大月褥，對于新的數(shù)據(jù)集模型適應(yīng)性較差弛随，所以由圖可得該模型屬于過擬合（overfitting）問題。由于過擬合宁赤，所以我們降低模型的復(fù)雜度舀透，比如減小樹的深度、增大分裂節(jié)點樣本數(shù)决左、增大樣本數(shù)愕够、減少特征數(shù)等等。
? ? 3：一個比較理想的學(xué)習(xí)曲線圖應(yīng)當是：低偏差佛猛、低方差惑芭，即收斂且誤差小。
在深刻了解到了學(xué)習(xí)曲線圖的意義后继找，可以著手揮著該圖了遂跟。
如何繪制學(xué)習(xí)曲線：
以下為sklearn官方文檔的解釋，這里僅做必要的解釋：
通過使用sklearn提供的繪制模板婴渡，我們也可以根據(jù)數(shù)據(jù)的情況來改變繪制的條件幻锁。官方提供的兩個樣例分別是GaussianNB、SVC兩個模型對于load_digits數(shù)據(jù)集進行擬合后繪制的學(xué)習(xí)曲線圖缩搅。
plot_learning_curve函數(shù)官方放提供的模板函數(shù)，可以無需修改触幼，初學(xué)時我們僅需要知道傳入的參數(shù)意義即可硼瓣。
先說說函數(shù)里面的一個東西，也是畫曲線的核心sklearn.model_selection的learning_curve，該學(xué)習(xí)曲線函數(shù)返回的是train_sizes堂鲤，train_scores亿傅，test_scores：
? ? 在畫訓(xùn)練集的曲線時：橫軸為 train_sizes，縱軸為 train_scores_mean瘟栖；
? ??畫測試集的曲線時：橫軸為train_sizes葵擎，縱軸為test_scores_mean。
title：圖像的名字半哟。
cv：默認cv=None酬滤，如果需要傳入則如下：
? ? cv : int, 交叉驗證生成器或可迭代的可選項，確定交叉驗證拆分策略寓涨。
?????????cv的可能輸入是：
???????????- 無盯串，使用默認的3倍交叉驗證，
???????????- 整數(shù)戒良，指定折疊數(shù)体捏。
???????????- 要用作交叉驗證生成器的對象。
???????????- 可迭代的yielding訓(xùn)練/測試分裂糯崎。
ShuffleSplit：我們這里設(shè)置cv几缭，交叉驗證使用ShuffleSplit方法，一共取得100組訓(xùn)練集與測試集沃呢，每次的測試集為20%年栓，它返回的是每組訓(xùn)練集與測試集的下標索引，由此可以知道哪些是train樟插，那些是test韵洋。
ylim：tuple, shape (ymin, ymax), 可選的。定義繪制的最小和最大y值黄锤，這里是（0.7搪缨，1.01）。
n_jobs : 整數(shù)鸵熟，可選并行運行的作業(yè)數(shù)（默認值為1）副编。windows開多線程需要在"__name__"==__main__中運行。
好了流强，以上為查閱資料以及文檔對于上面參數(shù)的解釋痹届，下面看看運行的結(jié)果：
