【AI-26】常见的监督学习方法集合

监督学习是机器学习中的一个重要类别，它基于有标签的数据进行模型训练，目标是让模型学会从输入数据预测对应的输出标签。以下是一些常见的监督学习方法及其通俗易懂的解释：

线性回归

• 原理：假设输入特征和输出标签之间存在线性关系，通过找到一条最佳的直线（在二维空间）或超平面（在多维空间）来拟合数据点，使得数据点到该直线或超平面的距离之和最小。简单来说，就是找到一个能最好地描述输入和输出之间线性变化规律的公式。
• 示例：预测房屋价格时，可将房屋面积作为输入特征，价格作为输出标签。线性回归会根据已有的房屋面积和价格数据，找出一个线性公式，如价格 = 面积 × 系数 + 常数，后续给定一个新的房屋面积，就能用这个公式预测出大致价格。

逻辑回归

• 原理：主要用于解决分类问题，特别是二分类问题。它通过一个逻辑函数（如 Sigmoid 函数）将线性回归的输出值映射到 0 到 1 之间的概率值，以此来判断样本属于某个类别的可能性。如果概率大于某个阈值（通常是 0.5），就将样本归为正类；否则归为负类。
• 示例：判断一封电子邮件是否为垃圾邮件，把邮件的各种特征（如关键词出现频率、发件人信息等）作为输入，逻辑回归模型会计算这封邮件是垃圾邮件的概率。若概率大于 0.5，就判定为垃圾邮件；小于 0.5 则判定为正常邮件。

决策树

• 原理：决策树就像一棵倒着生长的树，从根节点开始，根据输入特征的不