监督学习（2）

1、监督学习的概念

监督学习是机器学习的类型，其中机器使用“标记好”的训练数据进行训练，并基于该数据，机器预测输出。标记的数据意味着一些输入数据已经用正确的输出标记。

在监督学习中，提供给机器的训练数据充当监督者，教导机器正确预测输出。它应用了与学生在老师的监督下学习相同的概念。

监督学习是向机器学习模型提供输入数据和正确输出数据的过程。监督学习算法的目的是找到一个映射函数来映射输入变量（x）和输出变量（y）。

在现实世界中，监督学习可用于风险评估、图像分类、欺诈检测、垃圾邮件过滤等

2、监督学习如何运作

监督学习中，模型使用标记数据集进行训练，其中模型学习每种类型的数据。训练过程完成后，模型会根据测试数据（训练集的子集）进行测试，然后预测输出。

通过以下示例和图表可以很容易地理解监督学习的工作原理：

3、监督学习深入介绍

1、 监督学习三要素

模型（model）：总结数据的内在规律，用数学函数描述的系统。

策略（strategy）：选取最优模型的评价准则

算法（algorithm）：选取最优模型的具体方法。

2、监督学习实现步骤

• 首先确定训练数据集的类型
• 收集/收集标记的训练数据（一般可能需要手动标记）
• 将训练数据集拆分为训练数据集、测试数据集和验证数据集。
• 确定训练数据集的输入特征，这些特征应该有足够的知识使模型能够准确地预测输出。
• 确定适合模型的算法，如支持向量机、决策树等。
• 在训练数据集上执行算法。有时我们需要验证集作为控制参数，它们是训练数据集的子集。
• 通过提供测试集来评估模型的准确性。如果模型预测出正确的输出，这意味着我们的模型是准确的。

3、监督机器学习算法的类型

监督学习可以进一步分为两类问题：回归和分类。

1、回归

如果输入变量和输出变量之间存在关系，则使用回归算法。它用于预测连续变量，例如天气预报、市场趋势等。以下是一些流行的回归算法，它们属于监督学习：

• 线性回归
• 回归树
• 非线性回归
• 贝叶斯线性回归
• 多项式回归

3、分类

当输出变量是分类时使用分类算法，这意味着有两个类别，例如是 - 否，男性 - 女性，真假等。垃圾邮件过滤，是否为垃圾等。

可能用到的算法：

• 随机森林
• 决策树
• 逻辑回归
• 支持向量机

监督学习应用举例：

1. 预测房价或房屋出售情况
   我们将所在街区、房屋价格、住房面积、住房格局、是否学区总体当成一个x，是否售出当做一个y输入模型内，再通过模型预测第四套房子是否售出。由于结果只有“是”和“否”这两个答案，因此结果是离散的，我们采用分类算法。

   如果我们要预测第四套房子的价格多少时可以售出，那么此时是否售出是“是”，y应该为房屋的价格。房屋的价格是连续的数字，有无穷多个可能，没有固定的数目，因此 不是离散的，我们采用回归算法。