对于机器学习的模型选择来说，即使只是对于二元分类，我们已经学习了很多方法，比如PLA，LR等；很多学习算法都是可迭代的，需要决定迭代次数；你可能还需要决定每一次迭代走多大，例如梯度下降；或者有很多的转换可以选择，例如线性、二次等；同时规则化又有很多的选择L1，L2；再来规则化到底要加多强的λ。况且这些选择是组合起来的，某种程度上来说是组合爆炸的，那么我们怎么做出正确的选择？
那么对于以上两个模型，你会选择哪一个模型呢？也许你会说，可以根据自己视觉上的判断来选择模型，但是我们必须注意到，当选择的模型不是二元的，而是多元的时候，我们就不能通过视觉上的判断来选择了。还有一点，如果通过视觉上的判断来选择，我们就必须考虑到自己脑袋里那个强大的VC维模型，那么我们就不见得有多大的好处。
如果以上方法不行的话 ，那我们是不是可以选一个Ein最小的方法呢？
我们可以把待选择的模型跑在我们的资料上，那么我们就可以通过选择Ein最小的模型来完成机器学习。
那么，这么做有什么问题呢？
首先，我们可以想象，在这样的设定之下，我们肯定会选择复杂度很高的模型，以减小Ein，就会可能造成overfitting（过拟合）。
其次，这样选择模型，相当于在1班中选择一个最好的学生s1，在2班中选择一个最好的学生s2，然后再选择出s1和s2中相对较好的学生。这无疑增加了模型复杂度。
那我们可不可以通过选一个Etest最小的方法呢？通过一个测试集来判断Etest的大小，从而选出较好的模型？
看起来这是一个很好的方法。但是问题是我们能找到测试资料吗？这就好像测试考试，在正式考试之前，你会得到考卷吗？
我们今天是要找到一个中间方式，就是把一部分资料先拿出来当作测试资料，以保证测试资料不被污染，当要进行验证时，再把这部分资料拿出来进行测试！
我们选出K个数据用来进行验证，这K个数据的误差记作Eval，称为验证误差，那么剩下的N-K个数据用来训练模型，记作Dtrain；
一般来说，K的值大约为整个数据集数量的五分之一。
机器学习系列之机器学习之Logistic回归(逻辑蒂斯回归）
