欠拟合，过度拟合，Good_Generalization

Question

所以我的任务的一部分，我在申请线性和套索回归，这里的问题7。

基于从第6题的得分，什么伽马值对应的欠拟合（并且有最坏的测试集精度）的模型？什么伽玛值对应于被过度拟合（并且有最坏的测试集精度）的模型？什么选择伽马的将是对这个数据集（在训练和测试集精度高），具有良好的推广性能的模型是最好的选择？

提示：尝试绘制从第6题的得分可视化γ和精度之间的关系。记得在提交之前注释掉进口matplotlib线。

（欠拟合，过度拟合，Good_Generalization）请注意，只有一个正确的解决方案：此功能应该按以下顺序返回一个元组的配合度值。

我真的需要帮助，我真的不能相信任何办法解决这个最后一个问题。我应该用什么代码来确定（欠拟合，过度拟合，Good_Generalization），为什么???

谢谢，

数据集：http://archive.ics.uci.edu/ml/datasets/Mushroom?ref=datanews.io

下面是从问题6我的代码：

from sklearn.svm import SVC
from sklearn.model_selection import validation_curve

def answer_six():
    # SVC requires kernel='rbf', C=1, random_state=0 as instructed
    # C: Penalty parameter C of the error term
    # random_state: The seed of the pseudo random number generator 
    # used when shuffling the data for probability estimates
    # e radial basis function kernel, or RBF kernel, is a popular 
    # kernel function used in various kernelized learning algorithms, 
    # In particular, it is commonly used in support vector machine 
    # classification

    model = SVC(kernel='rbf', C=1, random_state=0)

    # Return numpy array numbers spaced evenly on a log scale (start, 
    # stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)

    gamma = np.logspace(-4,1,6)

    # Create a Validation Curve for model and subsets.
    # Create parameter name and range regarding gamma. Test Scoring 
    # requires accuracy. 
    # Validation curve requires X and y.

    train_scores, test_scores = validation_curve(model, X_subset, y_subset, param_name='gamma', param_range=gamma, scoring ='accuracy')

    # Determine mean for scores and tests along columns (axis=1)
    sc = (train_scores.mean(axis=1), test_scores.mean(axis=1))                                                 

    return sc

answer_six() 

Answer 1

好了，让自己熟悉的过度拟合。你应该产生这样的：Article on this topic

在左边你欠拟合，右侧过学习......如果这两个错误是低你有很好的概括。

而这些东西是伽玛（在regularizor）的函数