训练大的数据集存在计算量的问题。假设要训练一个线性回归模型或者是逻辑回归模型， 当m是一个亿的时候， 用求一亿个项目总和的计算量来计算仅仅一步的梯度下降，这显然效率不高。
在我们训练一个上亿条数据的模型之前，也许可以随机从上亿条的数据集里选个一千条的子集用算法计算，画学习曲线检查小一些的数据集是不是好用。
学习曲线结果示例：
高方差的学习算法（左图）：增加训练集的大小来提高性能
高偏差的学习算法（右图）：增加样本个数不一定会提高太多的性能，多加一些特征或者在你的神经网络里加一些隐藏的单元。以最后会变成高方差的学习算法，然后添加基础设施来改进算法，而不是用多于一千条数据来建模
学习曲线
