不完全正确。在验证集中，我们找到了最好的超参数，但不是与模型的相同参数。也就是说，对于超参数的每个值，我们运行训练过程并获得该组超参数的损失，并且我们选择具有最低验证损失的超参数值。

编辑

岭回归示例：岭回归取决于​​一个参数，$\lambda$，这会惩罚您的模型权重。岭回归只有一个超参数。由于岭回归是一个线性模型，它也有一些权重$\theta_0, \dots, \theta_n$（参数）进行训练。继续选择的方式$\lambda$和$\theta_0, \dots, \theta_n$如下：

• 对于每个值$\lambda$在一个网格中，我们通过梯度下降训练岭回归模型（从而优化训练损失）并获得一组参数$\theta_0^*, \dots, \theta_n^*$. 我们测量了验证集中训练好的岭模型的损失。
• 我们选择$\lambda$最小化验证集和参数中的损失$\theta_0^*, \dots, \theta_n^*$. 如果我们愿意，并且我们没有太多数据，我们可以用最优的数据重新训练岭模型$\lambda$在训练集和验证集的串联中，获取一些参数$\hat\theta_0, \dots, \hat\theta_n$.
• 我们使用在最后一步中获得的参数计算测试误差，并将其报告为模型误差的最现实值。