學習曲線（learning curve）是將訓練集誤差和交叉驗證集誤差作為訓練集例項數量（m）的函式繪製的圖表
一個能有效幫助我們分析訓練模型是否出現問題的工具。

1、高偏差的學習曲線

從這個曲線我們可以看到：

當m很小的時候，Jtrain(θ)也很小，因為很容易就能擬合（甚至過擬合），但用這個訓練好的模型在驗證集上來驗證，就會出現很差的效果Jcv(θ)異常的大；隨著m的增大，Jtrain(θ)開始增大，Jcv(θ)開始減小；當m越來越大的時候，Jcv(θ)也越來越小，也就是說明模型的泛化程度越來越好；但隨著m的增大，Jtrain(θ)也迅速增大，然後超過了最優值，雖然Jcv(θ)也在一直減少，但是始終不會達到最優狀態且離最優值很遠，故而出現高偏差

2、高方差的學習曲線

當m較小時，同上面一樣；隨著m的增大，Jcv(θ)也逐漸變小，也就是說明模型的泛化程度越來越好；當m越來越大時，Jtrain(θ)的雖然持續在增長，但是幾乎出現了停滯，很靠近最優的情況；且隨著m的增長模型的泛化能力一直在增強，但同樣增長得比較緩慢，故而出現了高方差。所以，如果一個模型如果出現了高方差的話，增加訓練集的數量仍可以提高模型的效能。

3、總結

在高偏差/欠擬合的情況下，增加資料到訓練集不一定能有幫助

在高方差/過擬合的情況下，增加更多資料到訓練集可能可以提高演算法效果