1.7 KiB
Executable File
1.7 KiB
Executable File
created, type, tags
| created | type | tags | |
|---|---|---|---|
| 2026-04-28 | concept |
|
监督学习（Supervised Learning）
从标注数据中学习输入到输出的映射关系
定义
监督学习是机器学习的一种范式，模型从已标注的训练数据（输入-输出对）中学习一个函数，使其能够对新的输入做出准确预测。
核心思想
训练数据：{(x₁,y₁), (x₂,y₂), ..., (xₙ,yₙ)}
目标：学习 f(x) ≈ y，使在新数据上误差最小
两大任务
| 任务 | 输出类型 | 示例 |
|---|---|---|
| 分类（Classification） | 离散类别 | 垃圾邮件检测、图像分类 |
| 回归（Regression） | 连续数值 | 房价预测、销量预测 |
常见算法
| 算法 | 说明 |
|---|---|
| 线性回归 / 逻辑回归 | 最简单的基础算法 |
| 决策树 / 随机森林 | 树形结构的规则学习 |
| 支持向量机（SVM） | 寻找最优分类超平面 |
| 神经网络 | 多层非线性映射 |
| Transformer（预训练） | 现代大模型的基础 |
工作流程
- 收集标注数据 → 2. 划分训练集/验证集/测试集 → 3. 训练模型 → 4. 评估调优 → 5. 部署
与无监督学习的区别
| 监督学习 | 无监督学习 |
|---|---|
| 需要标注数据 | 不需要标注 |
| 目标明确（预测 y） | 发现数据内在结构 |
| 容易评估效果 | 评估较主观 |
| 分类、回归 | 聚类、降维、生成 |
相关概念
- 神经网络（监督学习的主要工具）
- Transformer 架构（现代监督学习的模型）
- 无监督学习（另一种学习范式）
整理自 AI 基础知识