监督机器学习

本文概要

• 监督学习如何工作？
• 在监督学习中涉及的步骤
• 监督机器学习算法的类型
• 监督学习的优点
• 监督学习的缺点

监督学习是机器学习的一种，机器使用良好的“标记”训练数据进行训练，并根据这些数据预测输出。标记的数据意味着一些输入数据已经标记了正确的输出。

在监督学习中，提供给机器的训练数据充当监督者，教导机器正确地预测输出。它适用于学生在老师监督下学习的概念。

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。

监督学习如何工作？

在监督学习中，使用标记数据集对模型进行训练，其中模型学习每种类型的数据。一旦训练过程完成，就根据测试数据(训练集的子集)对模型进行测试，然后预测输出。

下面的例子和图表可以很容易地理解监督学习的工作原理：

假设我们有一个不同类型形状的数据集，其中包括正方形、矩形、三角形和多边形。现在第一步是我们需要训练每个形状的模型。

• 如果给定的形状有四条边，并且所有的边都相等，那么它将被标记为正方形。
• 如果给定的形状有三条边，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，在训练之后，我们使用测试集测试我们的模型，模型的任务是识别形状。

机器已经对所有类型的形状进行了训练，当它发现一个新的形状时，它会根据一些边对形状进行分类，并预测输出。

在监督学习中涉及的步骤

• 首先确定训练数据集的类型
• 收集标注训练数据。
• 拆分训练数据集为训练数据集，测试数据集和验证数据集。
• 确定训练数据集，它应该有足够的知识，使模型能够准确预测输出。
• 确定合适的算法的模型，诸如支持向量机，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，这意味着我们的模型是准确的。

监督机器学习算法的类型

监督学习可以进一步划分为两种类型的问题：

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。 用于连续变量的预测，如天气预报、市场趋势等。下面是一些在监督学习下流行的回归算法：

• 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

当输出变量为categorical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
• Logistic回归
• 支持向量机

注意：我们将在后面的章节中详细讨论这些算法。

监督学习的优点

• 在监督学习的帮助下，该模型可以根据之前的经验预测输出。
• 在监督学习中，我们可以对对象的类有一个确切的概念。
• 监督学习模型帮助我们解决各种现实问题，如欺诈检测、垃圾邮件过滤等。

监督学习的缺点

• 监督学习模型不适合处理复杂任务。
• 如果测试数据与训练数据不同，监督学习就不能预测正确的输出。
• 训练需要大量的计算时间。
• 在监督学习中，我们需要足够的对象类知识。