Update advice-for-appying-and-system-design.md

Author: loveunk

Diff for: machine-learning/advice-for-appying-and-system-design.md

@@ -35,7 +35,7 @@
 
 
 ### 评估一个假设函数 Evaluating a Hypothesis
-对于一个训练集，在计算算法的参数的时候，考虑的是选择参数以使训练误差（Cost function）最小化，有人认为得到一个非常小的训练误差一定是一件好事，但仅仅是因为这个假设具有很小的训练误差，并不能说明它是一个好的假设函数。尤其是考虑到过拟合的假设函数，所以所以这这个方法推广到新的训练集上是不适用的。
+对于一个训练集，在计算算法的参数的时候，考虑的是选择参数以使训练误差（Cost function）最小化，有人认为得到一个非常小的训练误差一定是一件好事，但仅仅是因为这个假设具有很小的训练误差，并不能说明它是一个好的假设函数。尤其是考虑到过拟合的假设函数，所以这这个方法推广到新的训练集上是不适用的。
 <p align="center">
 <img src="https://raw.github.com/loveunk/Coursera-ML-AndrewNg-Notes/master/images/f49730be98810b869951bbe38b6319ba.png" />
 </p>
@@ -48,6 +48,7 @@
 为了检验算法是否过拟合，将数据分成训练集（Training set）和测试集（Test set），通常用70%的数据作为训练集，用剩下30%的数据作为测试集。
 
 **注意**训练集和测试集均要含有各种类型的数据，通常要对数据进行“洗牌”（随机排序），然后再分成训练集和测试集。
+
 <p align="center">
 <img src="https://raw.github.com/loveunk/Coursera-ML-AndrewNg-Notes/master/images/9c769fd59c8a9c9f92200f538d1ab29c.png" />
 </p>
@@ -86,7 +87,7 @@
 1. 使用训练集训练出10个模型
 1. 用10个模型分别对交叉验证集计算得出交叉验证误差（代价函数的值）
 1. 选取代价函数值最小的模型
-1. 用步骤3中选出的模型对测试集计算得出推广误差（代价函数的值）
+1. 用步骤3中选出的模型对测试集计算得出测试误差（代价函数的值）
 
 训练误差（Training error）：
 <p align="center">
@@ -124,11 +125,11 @@
 * 对于训练集，当 _d_ 较小时，模型拟合程度更低，误差较大；随着 _d_ 的增长，拟合程度提高，误差减小。
 * 对于交叉验证集，当 _d_ 较小时，模型拟合程度低，误差较大；但是随着 _d_ 的增长，误差呈现先减小后增大的趋势，转折点是模型开始过拟合训练数据集的时候。
 
-根据上面的图表，还可以总结判断高方差、高偏差的方法:
+根据上面的图表，还可以总结判断高方差、高偏差的方法：
 * 训练集误差和交叉验证集误差近似时：
-  * 偏差/欠拟合
+  * 高偏差 / 欠拟合
 * 交叉验证集误差远大于训练集误差时：
-  * 方差/过拟合
+  * 高方差 / 过拟合
 
 ### 正则化和偏差/方差
 在训练模型时，一般会用正则化方法来防止过拟合。但是可能会正则化程度太高或太小，即在选择λ的值时也需要思考与此前选择多项式模型次数类似的问题。如下图是不同的 _λ_ 对应不同拟合程度：
@@ -221,7 +222,7 @@ Andrew说他开始研究一个机器学习问题时，最多只会花一天的
 可以用这种方式避免类似电脑编程里的过早优化问题。
 
 **理念是：必须用证据来指引决策**。
-包括怎样分配自己的时间来优化算法，而不是仅仅凭直觉，而凭直一般都是错误的。
+包括怎样分配自己的时间来优化算法，而不是仅仅凭直觉，而凭直觉一般都是错误的。
 除了画出学习曲线之外，另外是做误差分析。
 
 比如在构造垃圾邮件分类器时，会看一看交叉验证数据集，然后看看哪些邮件被算法错误地分类。