什么是 监督学习？
监督学习是一种机器学习范式，模型从带标签的训练数据中学习，使用输入输出对来发现模式并对新的未见数据进行预测。
快速了解
| 创建时间 | 概念在 1950-1960 年代形成，现代算法来自 1990 年代 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
监督学习是最常见和最成熟的机器学习方法。算法通过分析已知正确答案的示例，学习从输入特征到输出标签的映射函数。在训练过程中，模型调整其参数以最小化预测与实际标签之间的差异。常见算法包括线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）和神经网络。监督学习分为两个主要任务：分类（预测离散类别）和回归（预测连续值）。标注数据的质量和数量显著影响模型性能。
主要特点
- 需要带有已知输入输出对的标注训练数据
- 学习从特征到标签的映射函数
- 分为分类和回归任务
- 性能根据真实标签进行衡量
- 训练数据有限时容易过拟合
- 最广泛使用和理解最深的机器学习范式
常见用途
- 电子邮件垃圾检测（分类）
- 房价预测（回归）
- 基于患者数据的医学诊断
- 信用风险评估和欺诈检测
- 图像分类和目标检测
示例
loading...
Loading code...常见问题
监督学习和无监督学习有什么区别？
监督学习使用已知正确输出的标注数据，学习为新输入预测标签。无监督学习处理无标签数据，在没有预定义答案的情况下发现隐藏的模式或结构。监督学习用于预测任务，而无监督学习用于聚类、降维和异常检测。
分类和回归有什么区别？
分类预测离散的类别（如垃圾邮件/非垃圾邮件、猫/狗/鸟）。回归预测连续的数值（如房价、温度、股票价格）。选择取决于目标变量是分类变量还是连续变量。
监督学习需要多少标注数据？
数量取决于问题复杂度、模型类型和期望精度。简单模型可能只需数百个示例，而深度学习通常需要数千到数百万个。更多数据通常能提高性能，但收益递减。当标注数据稀缺时，数据增强、迁移学习和主动学习等技术可以提供帮助。
监督学习有哪些常见挑战？
主要挑战包括：获取足够的标注数据（昂贵且耗时）、过拟合（模型记住训练数据）、欠拟合（模型过于简单）、类别不平衡（标签分布不均）、特征工程（选择相关输入）以及泛化能力（在未见数据上表现良好）。
如何评估监督学习模型？
分类任务：准确率、精确率、召回率、F1 分数、ROC-AUC 和混淆矩阵。回归任务：MSE（均方误差）、RMSE、MAE（平均绝对误差）和 R 方。始终使用留出测试集或交叉验证来估计真实世界性能，而非训练准确率。