【机器学习】简单认识监督学习

⭐️Examples

• input 电子邮件
• output 垃圾邮件/非垃圾邮件
  通过监督学习，将为我们提供垃圾邮件过滤器的功能。

• input 音频
• output 文本转录本
  这时，监督学习，就为我们提供语音识别的功能。

• input English
• output 其他语言
  这时，就实现了机器翻译。

或者，我们可以将图片作为输入，比如说，刚下线的手机，将其图片作为输入，让学习算法根据输入的手机产品的 图片来判断是否存在划痕、凹痕或者其他缺陷。
这个称为目视检查，它可以帮助制造商减少或者防止其产品中的缺陷。

在上面的这些例子中，我们首先需要输入大量的示例，即输入x和与其相对应的正确答案即标签y来训练我们的模型。

在模型从这些输入、输出(x和相对应的y)中学习之后，它们可以采用全新的输入x(它以前从未见过的东西),并尝试产生适当的对应输出y。

⭐️Specific example

下面让我们更深入地研究一个具体的示例。
房价预测问题。
假如我们想根据房屋地大小来预测房价，并且我们已经收集到了一些过去的数据，并绘制了数据。

这里的横轴是以平方英尺为单位的房屋大小，纵轴是房子的价格。
有了这些数据，假如你的一位朋友想直到他们750平方英尺的房子的价格是多少。那通过学习算法如何帮助到你的朋友呢？
学习算法可能会通过指向拟合数据，通过直线上的数据以及直线以外的读数，可以大概预测到房子大概可以卖到150，000美元。

但拟合直线并不是我们可以使用的唯一学习算法。还有更好的可以应用于此。
比如，我们用下面的曲线进行拟合：

这样看起来，你的朋友的房子可以接近于200，000美元的价格。
给你的朋友选择最好的价格出售并不合适，我们应该关注的一件事是，如何选择最合适的直线或者曲线来适应这个数据，给出最合适的数据。

以这个例子简单说明，我们首先为算法提供了一个数据集，这个数据集中的每个x即房屋的面积，都对应着一个正确答案，即标签y。
学习算法的任务就是通过对此数据集的学习，有一些“经验”，产生更多这样的正确答案，当我们利用这个算法时，为这个算法提供一个房屋的面积，它可以根据“以往经验”预测出可能的出售价格。

⭐️两种类型的监督学习算法

🌙回归算法

在上面我们看到的预测房价问题中，其就是和回归算法。它学习从无限多的数字中预测数字。它可能是150,000到300,000中的任意数字。
其实本质闪也就是说，我们需要预测的标签y是连续的。

🌙分类算法

下面我们以乳腺癌检测为例，来研究分类算法。 假设我们要构建一个机器学习系统，以便医生可以使用诊断工具来检测乳腺癌。
我们根据患者的医疗记录，根据患者的肿瘤/肿块来判断乳腺癌是恶性的还是非恶性的。

然后我们收集一些数据，这些数据根据肿瘤的大小，将数据分为良性或者恶性。
比如说，下面，为了方便研究，我们将良性标注为0，恶性标注为1。

然后，我们将数据绘制在图表中，横轴代表肿瘤块的大小，纵轴仅仅取两个值，0和1，这是因为我们仅仅需要预测少量可能的输出或者类别。在这个例子中，仅仅有两个可能的输出，良性或者恶性，即0或1。

这就是分类与回归的区别，分类算法就是仅仅需要预测可数个类别，而回归算法的预测，所可能的数字无限多。
因此，只有两种可能的输出这一事实构成了这种分类。

我们可以使用两个符号进行更形象化表示，比如良性我们使用圆圈表示，恶性我们使用十字表示。

给大家的福利

零基础入门

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

同时每个成长路线对应的板块都有配套的视频提供：

因篇幅有限，仅展示部分资料

网络安全面试题

绿盟护网行动

还有大家最喜欢的黑客技术

网络安全源码合集+工具包

所有资料共282G，朋友们如果有需要全套《网络安全入门+黑客进阶学习资源包》，可以扫描下方二维码领取（如遇扫码问题，可以在评论区留言领取哦）~