在逻辑回归的情况下，我应该如何解释成本和示例数之间的学习曲线？

Question

我已经获得了以下学习曲线，用于绘制训练和交叉验证集的学习曲线，误差成本和训练样例数量（图中的100s）。有人可以告诉我这种学习曲线是否可行？因为我的印象是，随着训练样本数量的增加，交叉验证错误会减少。

Learning Curve. Note that the x axis denotes the number of training examples in 100s.

编辑：

这是我用来计算绘制学习曲线的9个值的代码。 X是训练集示例的2D矩阵。它的尺寸为m x (n+1)。 y的维度为m x 1，每个元素的值为1或0.

  for j=1:9
    disp(j)
    [theta,J] = trainClassifier(X(1:(j*100),:),y(1:(j*100)),lambda);
    [error_train(j), grad] = costprediciton_train(theta , X(1:(j*100),:), y(1:(j*100)));
    [error_cv(j), grad] = costfunction_test2(theta , Xcv(1:(j*100),:),ycv(1:(j*100)));
  end

我用来从训练集中找到Theta的最佳值的代码。

% Train the classifer. Return theta
function [optTheta, J] = trainClassifier(X,y,lambda)
  [m,n]=size(X);
  initialTheta = zeros(n, 1);
  options=optimset('GradObj','on','MaxIter',100);
  [optTheta, J, Exit_flag ] = fminunc(@(t)(regularizedCostFunction(t, X, y, lambda)), initialTheta, options);
end


%regularized cost

function [J, grad] = regularizedCostFunction(theta, X, y,lambda)
  [m,n]=size(X);
  h=sigmoid( X * theta);
  temp1 = -1 * (y .* log(h));
  temp2 = (1 - y) .* log(1 - h);
  thetaT = theta;
  thetaT(1) = 0;
  correction = sum(thetaT .^ 2) * (lambda / (2 * m));
  J = sum(temp1 - temp2) / m + correction;
  grad = (X' * (h - y)) * (1/m) + thetaT * (lambda / m);
end

我用于计算训练集结果预测的误差成本的代码:(类似于CV集的误差成本代码）
Theta的维度为(n+1) x 1，由假设函数中的特征系数组成。

function [J,grad] = costprediciton_train(theta , X, y)
  [m,n]=size(X);
  h=sigmoid(X * theta);
  temp1 = y .* log(h);
  temp2 = (1-y) .* log(1- h);
  J = -sum (temp1 + temp2)/m;
  t=h-y;
  grad=(X'*t)*(1/m);

end

function [J,grad] = costfunction_test2(theta , X, y)

  m= length(y);
  h=sigmoid(X*theta);
  temp1 = y .* log(h);
  temp2 = (1-y) .* log(1- h);
  J = -sum (temp1 + temp2)/m ;
  grad = (X' * (h - y)) * (1/m) ;

end

Sigmoid功能：

function g = sigmoid(z)
  g= zeros(size(z));
  den=1 + exp(-1*z);
  g = 1 ./ den;
end