監(jiān)督學(xué)習(xí)是向機(jī)器學(xué)習(xí)模型提供輸入數(shù)據(jù)和正確輸出數(shù)據(jù)的過程。
監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種類型，其中機(jī)器使用“標(biāo)記良好”的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并基于該數(shù)據(jù)，機(jī)器預(yù)測(cè)輸出。
標(biāo)記的數(shù)據(jù)意味著一些輸入數(shù)據(jù)已經(jīng)用正確的輸出標(biāo)記。
監(jiān)督學(xué)習(xí)算法的目的是找到一個(gè)映射函數(shù)來映射輸入變量 (x) 和輸出變量 (y)。
監(jiān)督學(xué)習(xí)可用于風(fēng)險(xiǎn)評(píng)估、圖像分類、欺詐檢測(cè)、垃圾郵件過濾等。
監(jiān)督機(jī)器學(xué)習(xí)算法的類型：
1.回歸
如果輸入變量和輸出變量之間存在關(guān)系，則使用回歸算法。
2.分類
當(dāng)輸出變量是分類時(shí)使用分類算法，這意味著有兩個(gè)類別，例如是 - 否，男性 - 女性，真假等。
最著名的監(jiān)督學(xué)習(xí)算法：
1. 線性回歸
線性回歸分析用于根據(jù)另一個(gè)變量的值來預(yù)測(cè)一個(gè)變量的值。您要預(yù)測(cè)的變量稱為因變量。您用來預(yù)測(cè)另一個(gè)變量值的變量稱為自變量。
- 邏輯回歸
這種類型的統(tǒng)計(jì)模型（也稱為 logit 模型）通常用于分類和預(yù)測(cè)分析。邏輯回歸根據(jù)給定的自變量數(shù)據(jù)集估計(jì)事件發(fā)生的概率，例如投票或未投票。
- K-最近鄰
k-最近鄰算法，也稱為KNN或k-NN，是一種非參數(shù)的、有監(jiān)督的學(xué)習(xí)分類器，它使用鄰近度對(duì)單個(gè)數(shù)據(jù)點(diǎn)的分組進(jìn)行分類或預(yù)測(cè)。
4.支持向量機(jī)（SVM）
支持向量機(jī)或 SVM 是最流行的監(jiān)督學(xué)習(xí)算法之一，用于分類和回歸問題。但是，它主要用于機(jī)器學(xué)習(xí)中的分類問題。
- 決策樹
決策樹以樹結(jié)構(gòu)的形式構(gòu)建回歸或分類模型。它將數(shù)據(jù)集分解為越來越小的子集，同時(shí)逐步開發(fā)相關(guān)的決策樹。最終結(jié)果是一棵具有決策節(jié)點(diǎn)和葉節(jié)點(diǎn)的樹。
- 梯度提升
梯度提升是一種機(jī)器學(xué)習(xí)提升。它依賴于直覺，即最好的下一個(gè)模型與以前的模型相結(jié)合時(shí)，可以最大限度地減少整體預(yù)測(cè)誤差。關(guān)鍵思想是為下一個(gè)模型設(shè)置目標(biāo)結(jié)果，以最小化錯(cuò)誤。
文章來源：https://bhagirathkd.hashnode.dev/most-famous-supervised-machine-learning-algorithms#write-comment
