我的模型生成的学习曲线如图所示。这些曲线正常吗？我是初学者，在网上看到随着训练样本的增加，训练分数应该先下降然后趋于稳定。但在这里，训练分数是增加
然后趋于稳定的。因此我想知道这是否表明我的代码有bug或者我的输入数据有问题？
我已经找出了我的代码的问题所在。
train_sizes , train_accuracy , cv_accuracy = lc(linear_model.LogisticRegression(solver='lbfgs',penalty='l2',multi_class='ovr'),trainData,multiclass_response_train,train_sizes=np.array([0.1,0.33,0.5,0.66,1.0]),cv=5)我之前没有为逻辑回归输入正则化参数。
但现在，
train_sizes , train_accuracy , cv_accuracy = lc(linear_model.LogisticRegression(C=1000,solver='lbfgs',penalty='l2',multi_class='ovr'),trainData,multiclass_response_train,train_sizes=np.array([0.1,0.33,0.5,0.66,1.0]),cv=5)学习曲线看起来正常了。
有人能告诉我这是为什么吗？即使用默认的正则化项时训练分数增加，而使用较低的正则化时分数减少？
数据详情：10个类别。不同大小的图像。（数字分类 – 街景数字）
回答：
基于Alex的回答来看，你的模型默认的正则化参数可能导致数据有些欠拟合，因为当你放松正则化后，你看到了更合适的学习曲线。对于欠拟合的模型，增加样本数量并没有用。
至于你担心为什么在第一种情况下训练分数增加而不是减少——这可能是你使用的多类别数据的结果。在训练样本较少的情况下，每个类别的图像数量也较少（因为lc尝试在交叉验证的每折中保持相同的类别分布），所以在有正则化的情况下（如果你把C=1称为正则化的话），你的模型可能更难准确地猜出某些类别。
