监督机器学习类似于人类或动物的

理解监督学习

监督学习在技术上意味着学习一种函数，该函数基于一组定义的输入-输出对，为给定的输入提供输出。

它借助由一组训练示例组成的标记“训练数据”来实现这一点。

在我们之前的例子中，鞋子的图片和名称“鞋子”分别是输入和输出。

在从数百或数千张不同的鞋子图片和“鞋子”的名称以及袜子的名称中学习之后，当我们的系统仅给出输入（一张新的鞋子图片）时，它将给出输出（名称：鞋子）。

通常，函数 y = f(x) 用于表示监督 ML，其中“x”是输入数据，“y”是输出变量， “x”是需要预测的函数。

在任何训练数据中，示例对通常由一个输入组成，该输入通常是一个向量（确定样本的特征集合）。

我们把期望的输出值称为‘监控信号’，其含义从名称上就很容易理解。

有趣的是，“概念学习”或“类别学习”。

它的定义是“寻找并列出可用于区分各类范例和非范例的属性”（Bruner、Goodnow、Austin（1967））。

广义上讲，监督式机器学习 顶级电子邮件列表 可分为以下类型：

1.分类

顾名思义，分类算法承担着预测标签或将变量归入某个类别（分类）的任务。

例如，将我们前面的例子中的某物归类为“袜子”。

分类预测算法的日常应用是电子邮件中的垃圾邮件检测器，它将识别有助于将电子邮件归类为“垃圾邮件”或“非垃圾邮件”的属性。

能够识别问题是分类问题还是回归问题非常重要。

分类问题的特点：

（i）示例可以归入两个 树立公司的正面形象 或多个类别之一

（二）两个类的问题 销售线索也可以称为二元问题

（三）如果问题涉及两个以上的类别，则可以称为多类分类问题

下图显示了一个典型的分类问题，其中变量被“归类”为“猫”类别或“狗”类别。

从边界线上还可以看出，将一些狗归类为猫，反之亦然，这是有误的。

在属性可能相似的情况下会出现此问题，例如当身高是分类标准之一时，某些品种的狗可能身体较矮。