监督学习是机器学习的一种类型,其中机器使用“标记好的”训练数据进行训练,机器根据这些数据预测输出。标记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作为监督者,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。监督学习算法的目标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。
在监督学习中,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。
通过下面的例子和图表可以很容易地理解监督学习的工作:
假设我们有一个不同类型形状的数据集,包括正方形、矩形、三角形和多边形。现在第一步是我们需要为每个形状训练模型。
如果给定的形状有四个边,并且所有边都相等,那么它将被标记为Square。
如果给定的形状有三个边,那么它将被标记为三角形。
如果给定的形状有六个相等的边,那么它将被标记为六边形。
现在,训练后,我们使用测试集测试我们的模型,模型的任务是识别形状。
该机器已经对所有类型的形状进行了训练,当它找到一个新的形状时,它会根据多个边对形状进行分类,并预测输出。
首先确定训练数据集的类型
收集/收集标记的训练数据。
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,该特征应该具有足够的知识,以便模型能够准确预测输出。
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。如果模型预测了正确的输出,则意味着我们的模型是准确的。
监督学习可以进一步分为两类问题:
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。 以下是一些流行的受监督学习回归算法:
线性回归
回归树
非线性回归
贝叶斯线性回归
多项式回归
2. 分类
当输出变量是分类变量时使用分类算法,这意味着有两个类,如 Yes-No、Male-Female、True-false 等。
垃圾邮件过滤,
随机森林
决策树
逻辑回归
支持向量机
在监督学习的帮助下,该模型可以根据先前的经验预测输出。
在监督学习中,我们可以准确了解对象的类别。
监督学习模型帮助我们解决各种实际问题,例如欺诈检测、垃圾邮件过滤等。
监督学习模型不适合处理复杂的任务。
如果测试数据与训练数据集不同,监督学习无法预测正确的输出。
训练需要大量的计算时间。
在监督学习中,我们需要足够的关于对象类别的知识。