我们把样本分成三个部分，分别是训练集、验证集和测试集。这里说的学习曲线主要是训练平方误差和验证平方误差曲线，通过观察曲线，我们能够判定模型现在的偏差和方差的状况，以便及时的做出调整。
1、学习曲线
m：训练样本的个数
现在我们是用一个二次函数去拟合训练集。m=1时，就一个点，可以拟合的很好，但是拟合出来的结果泛化性能差；当取m=2、m=3的时候泛化性能会好一点。当随着m的逐渐增大，二次曲线能拟合的不是特别精准，但是差不多，所以训练误差会逐渐的增大，泛化能力也会有所提高。
2、如果是用一次函数拟合，那么随着数据量的逐渐增大，其实这个直线基本上不会有变化，所以最后学习曲线中，两条线很接近。因为用一次函数进行拟合的时候，会产生很大的偏差，训练误差会很大，在高偏差时，验证误差同样很大。所以当我们看到这样的曲线，就知道是高偏差。此时，不管怎么增大训练集，都没有用。
3、当模型很复杂的时候，随着训练集的增大，训练误差会增大，因为模型够复杂，所以损失并不是很多，验证误差会有所下降，但是也不会下降很多，所以高偏差的情况，反映在曲线上就是，两个去曲线中间会有很大的举例，但是随着样本的增多，训练误差会缓缓增大，验证误差会逐渐减小，所以增大样本量是有作用的。
