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．

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）小さい場合，そのモデルはハイバイアスな傾向であると判断できます．
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，などの対策が有効です．

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）な場合，そのモデルはハイバリアンスな傾向であると判断できます．
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，などの対策が有効です．