你的算法必须在训练集上表现很好，然后才能预期它在开发/测试集上表现很好。
除了之前描述的处理高偏差的方法之外，我有时也对训练数据进行误差分析，遵循类似于在 Eyeball 开发集上误差分析的规则。如果你的算法存在高偏差，也就是说，不能很好地拟合训练集，那这将是有用的。
例如，假设你在为一个 app 构建语音识别系统，并已经从志愿者那里收集了音频剪辑作为训练集。如果系统在训练集上做的并不好，你可以考虑听一下算法表现很差的大概100个样本，以此来理解训练集误差来源的主要类别。和开发集误差分析类似，你可以统计不同类别的错误：
在这个例子中，你可能意识到算法在处理有很多背景噪声的训练样本时会特别困难。因此，你可以专注于使得算法能更好的适应有背景噪声训练样本的方法。
提供和你的学习算法相同的输入音频，你也可以再次确认人是否可能转录这些音频剪辑。如果有太多的背景噪声以至于没人可以听出说了什么，那就没有理由去预期任何一个算法能正确识别这些话语。我们将在后一章中讨论将算法和人类表现水平相比较的益处。