Machine learning 以下哪一项是验证学习算法是否正确运行的有用步骤？ 我无法回答这个问题（来自Coursera的Andrew Ng的机器学习课程）。请帮我解释一下答案背后的原因 假设您正在使用梯度下降和反向传播来尝试最小化J（$\theta$）（J（Θ）作为$\theta$的函数）。以下哪一项是验证学习算法是否正确运行的有用步骤？

绘制J（$\theta$），以确保坡度下降正在下坡

绘图J（$\theta$）。J（Θ）作为迭代次数的函数，并确保它随着每次迭代而增加（或至少不减少）

绘制J（$\theta$）J（Θ）作为迭代次数的函数，并确保它随着每次迭代而减少（或至少不增加）

绘制J（$\theta$）J（Θ）作为迭代次数的函数，以确保参数值在分类精度方面有所提高

---

让我们先弄清楚，J（Θ）是我们试图通过优化器（梯度下降）最小化的模型的损失/成本，以便我们做出良好的预测。因此，从理论上讲，在我们更新权重时，我们的损失应该随着每个历元/迭代而不断下降。您现在已经可以看到，如果我们的模型真的在学习一些东西，那么它应该在每个历元/迭代中产生越来越低的损失

您现在可能会看到，选项1无助于我们分析模型的改进

在选项二，我们的图是好的，我们在y轴上绘制J（Θ），在x轴上迭代，但我们不想确保它增加，我们想做相反的事情

在选项4中，我们的图是正确的，但是，我们不会监控权重值，它们可以是任何值，我们只希望损失更小，这样我们的精确度就更高

如您所见，正确的选项是3，我们正在绘制J（Θ）vsIteration图，并监控损失是否在减少（或者至少没有增加，因为增加意味着我们没有学到任何东西，反而变得更糟）