如果我们有 K 个班级，我是否必须绘制 K 个学习曲线？ 因为在我看来，一次计算所有 K theta 向量的训练/验证误差是不可能的。
为了澄清，学习曲线是训练和交叉验证/测试集错误/成本与训练集大小的关系图。该图应该允许您查看增加训练集大小是否会提高性能。更一般地说，学习曲线可让您确定您的算法是否存在偏差（欠拟合）或方差（过拟合）问题。
【问题讨论】：
标签： machine-learning classification data-analysis logistic-regression
这取决于。学习曲线不关心班级的数量。就像您说的那样，它是训练集和测试集误差的图，其中该误差是一个数值。这就是所有的学习曲线。
该错误可以是任何您想要的：准确度、精确度、召回率、F1 分数等（甚至 MAE、MSE 和其他回归）。
但是，您选择使用的错误是适用于或不适用于您的特定问题的错误，这反过来会间接影响您应该如何使用学习曲线。
准确度对于任意数量的类都有很好的定义，所以如果你使用它，一个图就足够了。
然而，精确度和召回率仅针对二元问题定义。您可以通过考虑每个类x 的类x 和not x 的二元问题，在某种程度上概括它们（例如参见here）。在这种情况下，您可能希望为每个班级绘制学习曲线。这也将帮助您更好地识别与某些类相关的问题。
如果您想了解更多关于性能指标的信息，我非常喜欢this paper。
【讨论】：