4、监督学习：原理、算法与数据集应用

监督学习：原理、算法与数据集应用

1. 监督学习概述

监督学习是机器学习中最常用且成功的类型之一。当我们想从给定输入预测特定结果，且有输入/输出对的示例时，就会使用监督学习。我们从这些输入/输出对构建机器学习模型，这些对构成了训练集，目标是对新的、从未见过的数据做出准确预测。虽然构建训练集通常需要人力，但之后可以自动化并加速原本费力或不可行的任务。

2. 分类与回归

监督机器学习问题主要分为两类：分类和回归。

2.1 分类

分类的目标是预测一个类别标签，即从预定义的可能性列表中进行选择。它又可分为二元分类和多类分类：
- 二元分类 ：是区分恰好两个类别的特殊情况，可以看作是回答一个“是/否”问题。例如，将电子邮件分类为垃圾邮件或非垃圾邮件，这里“是垃圾邮件吗？”就是要回答的问题。在二元分类中，通常会将一个类称为正类，另一个类称为负类，但“正”并不代表有好处或价值，而是研究的对象。比如在寻找垃圾邮件时，“正”可以表示垃圾邮件类。哪一个类被称为正类通常是主观的，且因领域而异。
- 多类分类 ：是对两个以上类别进行分类。例如，根据网站上的文本预测网站使用的语言，这里的类别是预定义的可能语言列表。

2.2 回归

回归任务的目标是预测一个连续的数字，在编程术语中是浮点数（在数学术语中是实数）。例如，根据一个人的教育程度、年龄和居住地预测其年收入，预测的收入值是一个金额，可以是给定范围内的任何数字。另一个例子是根据玉米农场的先前产量、天气和农场员工数量等属性预测农场的产量，产量同样可以是任意数字。