概念

• wiki：監督學習是機器學習的一種方法，可以由訓練資料中學到或建立一個模式（函數/learning model），并且依次模式推測出新的實例。
• 訓練資料：由輸入物件和預期輸出組成，函數的輸出可以是一個連續的值（回歸分析），或是預測一個分類標簽（分類）
• 通俗講：我本不知道X 和 Y 能得倒一個什么樣的關系，但是通過很多個X和Y且已知XY的關系的數據得知，他們存在一種函數式關系f（x，y）。并且在后續可以通過f（x，y）得到一個符合實際規律（相對準確）的結果。其中在得出規律的這一個過程就叫做監督學習。
  

監督學習的步驟

• 我們可以根據上面的步驟是不是可以聯想幾個實際的案例呢？

我們在使用外賣，或者買東西的時候我們的快遞的預估到達時間是如何來的呢？

我們思考一下，讓我們自己去算怎么算呢？通過速度和距離唄，但是路是有很多條的，還有天氣原因，交通規則等等，實在是因素太多了，那我們可以這樣，通過得到監督學習來預估這個達到時間。

首先選擇一個數學模型，然后將大量已知的數據快遞訂單時間到收貨時間進行保留，還有發貨地點和送達的地點。將這些數據給機器，然后讓他去發現這個“方法論（函數）”，一旦學習到一定量，那我們就可以進行預測了，當客戶點開商品或者下單完我們都能給到客戶一個相對準確的時間。（自己的一個簡單猜想）

監督學習的2個任務：回歸、分類

1. 回歸

• 回歸方法是一種對數值型連續隨機變量進行預測和建模的監督學習算法。使用案例一般包括房價預測、股票走勢或測試成績等連續變化的案例。
• 回歸任務的特點是標注的數據集具有數值型的目標變量。也就是說，每一個觀察樣本都有一個數值型的標注真值以監督算法。

2.分類

分類方法是一種對離散型隨機變量建模或預測的監督學習算法。使用案例包括郵件過濾、金融欺詐和預測雇員異動等輸出為類別的任務。

許多回歸算法都有與其相對應的分類算法，分類算法通常適用于預測一個類別（或類別的概率）而不是連續的數值。

參考

https://zh.wikipedia.org/wiki/%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0
https://www.jiqizhixin.com/articles/2017-05-20-3
https://easyai.tech/ai-definition/supervised-learning/

總結

以上是生活随笔為你收集整理的机器学习：什么是监督学习（Supervised learning）？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。