それでは，特徴量選択を行った場合の学習曲線を確認してみましょう。<br>
<br>
<strong>性能が（相対的に）低く，学習データに対する性能と交差検証の性能の差が（相対的に）小さい</strong>場合，そのモデルは<font color="#1E90FF"><strong>ハイバイアス</strong></font>な傾向であると判断できます。<br>
<strong>ハイバイアスな場合，有効な説明変数を追加する，より表現力の高いアルゴリズムを検討する，などの対策が有効</strong>です。<br>
<br>
<strong>学習データに対する性能と交差検証の性能の差が（相対的に）大きい，あるいはデータ量に対する交差検証の性能改善が飽和していない（データを増やせば性能向上が見込めそう）</strong>な場合，そのモデルは<font color="#1E90ff"></strong>ハイバリアンス</strong></font>な傾向であると判断できます．<br>
<strong>ハイバリアンスな場合，データを増やす，不要な特徴量を削除する，などの対策が有効</strong>です．