機器學習是在模型空間中選擇最優模型的過程，所謂最優模型，及可以很好地擬合已有數據集，並且正確預測未知數據。

那麽如何評價一個模型的優劣的，用代價函數（Cost function）來度量預測錯誤的程度。代價函數有很多中，在Ng的視頻中，Linear Regression用的是平方代價函數：

Logistic Regression 用的是對數似然代價函數：

對於給定的含m個樣本的數據集，其平均損失稱為經驗風險。

損失函數越小，模型就越好。

我們來分析那個房價預測問題，假設房價面積A，樓層L，房間數N相關，那我們的目標就是要通過機器學習得到一個關於A,L,N的模型，這個模型可以預測房價，但問題是我們輸入是應該用A呢？還是A的平方，或者A 的三次方？（同樣對L和N提問）這是個無窮盡的問題，理論上，次數越高，對於已有測試數據能擬合地越好，但是次數越高，就會使模型越復雜，這時就會出現過擬合的問題，例如下圖中的第四張小圖，用9次方去預測，模型能擬合每個點，但是這種模型往往對已知參數預測地很好，未知數據預測能力很差。

當模型復雜度增加時，訓練誤差會越來越小，以至於能擬合樣本中的絕大部分點，但是測試誤差卻隨著復雜度的增加先減小後增加，存在一個極小值。

為了解決過擬合的問題，我們引入“正則化項”，它的作用是選擇經驗風險和模型復雜度同時小。這樣問題就轉化為求經驗風險和正則化項之和的最小值。

正則化項可以采取不同的形式，有L2範數，L1範數：

Machine Learning — 關於過度擬合（Overfitting）