📢 转载信息
原文链接：https://machinelearningmastery.com/supervised-learning-the-foundation-of-predictive-modeling/
原文作者：Matthew Mayo
编者按：本文是我们关于可视化机器学习基础知识系列文章的最新一篇。
欢迎阅读我们关于可视化机器学习基础知识系列的最新篇章。在本系列中，我们将力求将重要且通常复杂的技术概念分解为直观的可视化指南，以帮助您掌握该领域的核心原则。本篇重点介绍监督学习，即预测建模的基石。
预测建模的基石
监督学习被广泛认为是机器学习中预测建模的基础。这是为什么呢？
从本质上讲，它是一种学习范式，其中模型是在带标签数据上进行训练的——即输入特征和正确输出（真值）均已知的数据示例。通过从这些带标签的示例中学习，模型就能够对新的、未见过的数据做出准确的预测。
理解监督学习的一个好方法是将其类比为“有教师指导”的学习。在训练过程中，模型会看到示例以及正确的答案，就像学生从指导老师那里获得指导和纠正一样。模型的每一次预测都会与真实标签进行比较，提供反馈，并进行调整以减少未来的错误。随着时间的推移，这个有指导的过程有助于模型内化输入和输出之间的关系。
监督学习的目标是学习一个从特征到标签的可靠映射。这个过程围绕三个基本组成部分展开：
- 首先是训练数据，它由带标签的示例组成，是学习的基础。
- 其次是学习算法，它会迭代地调整模型参数，以最小化在训练数据上的预测误差。
- 最后是训练好的模型，它从该过程中涌现出来，能够将所学知识泛化到新数据上以做出预测。
监督学习问题通常分为两大主要类别：回归任务侧重于预测连续值，例如房价或温度读数；而分类任务则涉及预测离散类别，例如识别垃圾邮件与非垃圾邮件，或识别图像中的物体。尽管存在差异，两者都依赖于从带标签示例中学习的核心原则。
监督学习在许多实际的机器学习应用中都扮演着核心角色。它通常需要带有可靠真值标签的大型、高质量数据集，其成功在很大程度上取决于训练好的模型能够超出其训练数据的泛化能力。当得到有效应用时，监督学习能够使机器在广泛的领域中做出准确、可操作的预测。
下面的可视化为这些信息提供了一个简洁的总结，供您快速参考。您可以点击此处以高分辨率下载信息图的PDF版本。
监督学习：可视化机器学习的基础知识（点击放大）
图片作者
机器学习精通资源
以下是一些关于监督学习的精选资源：
- 监督与无监督机器学习算法 – 这篇入门级文章解释了监督学习、无监督学习和半监督学习之间的区别，概述了如何使用带标签和不带标签的数据，并重点介绍了每种方法的常见算法。
关键要点： 了解何时使用带标签数据与不带标签数据，是选择正确学习范式的根本。 - 机器学习简单线性回归教程 – 这个实用、对初学者友好的教程介绍了简单线性回归，解释了如何使用一条由学习到的系数定义的直线来描述和预测单个输入变量与数值输出之间的关系。
关键要点： 简单线性回归模型使用由学习到的系数定义的直线来描述关系。 - 机器学习线性回归 – 这篇介绍性文章提供了对线性回归的更广泛概述，涵盖了算法的工作原理、关键假设及其在真实世界机器学习工作流中的应用。
关键要点： 线性回归是数值预测任务的核心基线算法。 - 机器学习中4种分类任务类型 – 本文使用清晰的解释和实用的示例，解释了四种主要的分类问题类型——二分类、多类别分类、多标签分类和不平衡分类。
关键要点： 正确识别分类问题的类型，指导模型选择和评估策略。 - 多类别分类的“一对多”与“一对一”策略 – 这个实用教程解释了如何使用“一对多”（One-vs-Rest）和“一对一”（One-vs-One）策略将二分类器扩展到多类别问题，并指导何时使用每种策略。
关键要点： 多类别问题可以通过将其分解为多个二分类任务来解决。
敬请期待我们关于可视化机器学习基础知识系列的更多内容。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区