The error is not exactly zero becau

The error is not exactly zero because of the rounding error, but it is very close:
0.0025 (much smaller than the standard deviation of the target, which is the natural
comparison value).
When we use cross-validation (the code is very similar to what we used before in
the Boston example), we get something very different: 0.78. Remember that the
standard deviation of the data is only 0.6. This means that if we always "predict"
the mean value of -3.5, we have a root mean square error of 0.6! So, with OLS, in
training, the error is insignificant. When generalizing, it is very large and the
prediction is actually harmful: we would have done better (in terms of root mean
square error) by simply predicting the mean value every time!
Tip
Training and generalization error
When the number of features is greater than the number of examples, you always
get zero training error with OLS, but this is rarely a sign that your model will do
well in terms of generalization. In fact, you may get zero training error and have a
completely useless model

Kết quả (Việt) 1:

Lỗi không chính xác là zero do lỗi làm tròn, nhưng nó là rất gần:0.0025 (nhỏ hơn nhiều so với độ lệch chuẩn của mục tiêu, đó là tự nhiênso sánh giá trị).Khi chúng tôi sử dụng (mã là rất tương tự như những gì chúng tôi sử dụng trước khi trong cross-xác nhậnVí dụ Boston), chúng tôi nhận được một cái gì đó rất khác nhau: 0,78. Hãy nhớ rằng cácđộ lệch chuẩn của dữ liệu là chỉ 0,6. Điều này có nghĩa rằng nếu chúng tôi luôn luôn "dự đoán"giá trị trung bình của-3.5, chúng tôi có một lỗi gốc có nghĩa là square 0.6! Vì vậy, với OLS, trongđào tạo, lỗi là không đáng kể. Khi khái quát, nó là rất lớn và cácdự đoán là thực sự có hại: chúng tôi sẽ làm tốt hơn (trong điều khoản của gốc có nghĩa làvuông lỗi) bởi chỉ đơn giản là dự đoán giá trị trung bình mỗi thời gian!MẹoĐào tạo và tổng quát lỗiKhi số lượng các tính năng là lớn hơn số lượng các ví dụ, bạn luôn luôncó được không đào tạo lỗi với OLS, nhưng điều này hiếm khi là một dấu hiệu cho thấy mô hình của bạn sẽ làmtốt trong điều kiện tổng quát. Trong thực tế, bạn có thể nhận được lỗi đào tạo không và có mộtMô hình hoàn toàn vô ích

Kết quả (Việt) 2:

Lỗi này là không chính xác không vì lỗi làm tròn số, nhưng nó là rất gần:
0.0025 (nhỏ hơn nhiều so với độ lệch chuẩn của mục tiêu, đó là tự nhiên
. giá trị so sánh)
Khi chúng ta sử dụng cross-validation (mã là rất tương tự với những gì chúng tôi đã sử dụng trước trong
các ví dụ Boston), chúng tôi nhận được một cái gì đó rất khác nhau: 0,78. Hãy nhớ rằng
độ lệch chuẩn của các dữ liệu chỉ 0,6 là. Điều này có nghĩa rằng nếu chúng ta luôn luôn "dự đoán"
các giá trị trung bình của -3.5, chúng tôi có một gốc có nghĩa là lỗi vuông 0,6! Vì vậy, với OLS, trong
đào tạo, lỗi này là không đáng kể. Khi khái quát, nó là rất lớn và các
dự đoán là thực sự có hại: chúng tôi đã có thể làm tốt hơn (về gốc có nghĩa là
lỗi vuông) bằng cách dự đoán các giá trị trung bình mỗi lần!
Mẹo
Đào tạo và báo lỗi tổng quát
Khi số lượng các tính năng lớn hơn số ví dụ, bạn luôn luôn
có được không lỗi đào tạo với OLS, nhưng điều này hiếm khi là một dấu hiệu cho thấy mô hình của bạn sẽ làm
tốt trong điều kiện tổng quát. Trong thực tế, bạn có thể nhận được lỗi zero đào tạo và có một
mô hình hoàn toàn vô dụng