Decisões a serem tomadas

Caso desejamos ajustar o nosso algoritmo de treino da melhor forma possível, podemos dividir a tomada de decisão a respeito de que tipo de ajuste devemos realizar da seguinte forma:

• Aumentar o número de exemplos de treino: ajusta em casos de high variance;

• Diminuir o número de parâmetros: ajusta em casos de high variance;

• Adicionar parâmetros: ajusta em casos de high bias;

• Tentar parâmetros polinomiais: ajusta em casos de high bias;

• Diminuir o valor de \( \lambda \): ajusta em casos de high bias;

• Aumentar o valor de \( \lambda \): ajusta em casos de high variance;