監(jiān)督學習的類型：
A.分類：這是一項有監(jiān)督的學習任務，其中輸出具有定義的標簽(離散值)。例如，在上圖A中，Output-Purched定義了標簽，即0或1；1表示客戶將購買，0表示客戶不會購買。這里的目標是預測屬于特定類別的離散值，并根據(jù)準確度對它們進行評估。它可以是二進制分類，也可以是多類別分類。在二進制分類中，模型預測0或1；是或否，但在多類分類的情況下，模型預測多個類別。例如：Gmail將郵件分類為多個類別，如社交、促銷、更新和論壇。
B.回歸：這是一個有監(jiān)督的學習任務，其中輸出具有連續(xù)值。例如，在上圖B中，輸出-風速沒有任何離散值，但在特定范圍內(nèi)是連續(xù)的。這里的目標是預測一個盡可能接近實際輸出值的值，然后通過計算誤差值進行評估。誤差越小，我們回歸模型的精度就越高。
監(jiān)督學習算法示例：
線性回歸
物流回歸
最近的鄰居
高斯樸素貝葉斯
決策樹
支持向量機(支持向量機)
隨機森林
ML|學習類型--監(jiān)督學習
監(jiān)督學習是機器學習的一種類型，其中算法是在標記的數(shù)據(jù)集上訓練的，這意味著輸出(或目標)變量已經(jīng)知道。有監(jiān)督學習的目標是學習一個函數(shù)，該函數(shù)可以根據(jù)輸入變量準確地預測輸出變量。監(jiān)督學習可以進一步分為兩大類：
分類：在分類中，輸出變量是分類變量，目標是預測新數(shù)據(jù)點所屬的類別或類別。分類問題的例子包括圖像分類、垃圾郵件檢測和情感分析。
回歸：在回歸中，輸出變量是一個連續(xù)變量，目標是根據(jù)輸入變量預測輸出變量的值?；貧w問題的例子包括預測股票價格、天氣預報和銷售預報。
監(jiān)督學習算法在自然語言處理、計算機視覺、醫(yī)學診斷、語音識別等領(lǐng)域有著廣泛的應用。一些流行的監(jiān)督學習算法包括：線性回歸、Logistic回歸、決策樹、隨機森林、k近鄰(KNN)、支持向量機(SVM)和神經(jīng)網(wǎng)絡。
值得注意的是，當我們有標記的數(shù)據(jù)時，監(jiān)督學習是有用的，但情況并不總是這樣。在某些情況下，數(shù)據(jù)沒有標記或標記成本太高，那么無監(jiān)督學習、半監(jiān)督學習或自我監(jiān)督學習可能是更好的方法。
