針對高偏差、高方差問題的解決方法：

1、解決高方差問題的方案：增大訓練樣本量、縮小特征量、增大lambda值

2、解決高偏差問題的方案：增大特征量、增加多項式特征（比如x1*x2,x1的平方等等）、減少lambda值

隱藏層數的選擇對於擬合效果的影響：

隱藏層數過少，神經網絡簡單，參數少，容易出現欠擬合；

隱藏層數過多，神經網絡復雜，參數多，容易出現過擬合，同時計算量也龐大。

事實上，如果經常應用神經網絡，特別是大型神經網絡的話，會發現越大型的網絡性能越好，如果發生了過擬合，可以使用正則化的方法來修正過擬合。使用一個大型的神經網絡，並使用正則化來修正過擬合問題，通常比使用一個小型的神經網絡效果更好。

最後，我們需要確定隱藏層的層數。默認的情況是使用一個隱藏層是比較合理的選擇，但是如果你想要選擇一個最合適的隱藏層層數，你也可以試試把數據分割為訓練集、驗證集和測試集，然後試試使用一個隱藏層的神經網絡來訓練模型。然後試試兩個、三個隱藏層，以此類推。然後看看哪個神經網絡在交叉驗證集上表現得最理想。也就是說你得到了三個神經網絡模型，分別有一個、兩個、三個隱藏層。然後你對每一個模型，都用交叉驗證集數據進行測試，算出三種情況下的交叉驗證集誤差Jcv，然後選出你認為最好的神經網絡結構。

斯坦福大學公開課機器學習： advice for applying machine learning | deciding what to try next(revisited)（針對高偏差、高方差問題的解決方法以及隱藏層數的選擇）