监督学习

监督学习，也称为监督式机器学习，是机器学习和人工智能的一个子类别

引言：

随着时间推移，人类从经验中学习，并根据这些经验做出决策。与机器学习的工作方式类似，计算机可以利用以往记录中的模式和算法进行学习和适应。计算机在没有明确指示的情况下分析并推断以往数据，并基于现有记录预测未来结果。

什么是机器学习？

机器学习是一类数据分析方法，可自动构建诊断模型。它是一个能够从数据中提取信息、识别模式并几乎无需人为干预就得出结论的系统。借助人工智能，该系统无需明确编码即可学习和进化。

什么是监督学习？

人工智能是通过监督学习创建的。在这种方法中，通过向计算机算法输入（已恰当标注的）数据来训练它得出特定结果。数据会不断训练，直到它能够识别模式并确定输入数据与输出标签之间的联系。我们可以据此确定给定标签对应的确切输出。

监督学习有哪些示例？

简而言之，监督学习就是由一位“老师”用标注良好的数据来训练机器。通过监督学习方法，计算机会拿到一组新的示例（数据）来分析训练数据（训练或准备示例的集合），并从已标注数据中得出恰当的结果。

监督学习是如何工作的？

在监督学习中，我们使用已标注数据集训练模型。模型根据每种类型的数据进行训练。训练完成后，我们用测试数据来测试训练好的模型。机器会基于之前的训练来预测输出。

假设我们有一个包含多种形状三角形、正方形、矩形和多边形的数据集。传统方法目前必须在初始阶段针对每种形状分别训练。

• 如果某个形状有四条边或四个角，并且它们全都相等，则它属于正方形。
• 如果整个图形有三条边，就会被标记为三角形。
• 当输入的形状有六条相等的边时，它就属于六边形。

训练之后，我们使用测试集来检验模型，模型的目标是识别出形状。

系统之前已经学习过多种形状，当发现新的形状时，就会对其进行归类。[1]

机器学习包含哪些步骤？

• 首先，确定您将要使用的训练数据集的类型。
• 通过收集和汇总来获取带标签的训练数据。
• 将训练数据集分为三部分：训练集、测试集和验证集。
• 确定训练数据集的输入特征，这些特征应包含足够的信息，使模型能够成功预测输出。
• 为模型选择合适的算法，例如支持向量机或决策树。
• 使用训练数据集来运行算法。验证集是训练数据集的子集，有时需要用作调节器或控制参数。
• 通过提供测试集，您可以评估模型的正确性。如果模型正确预测了结果，那么我们的模型就是准确的。

监督学习有哪些类别？

以下是监督学习所包含的类别。

1. 回归
2. 分类

监督学习有哪些优点？

• 在训练数据中，您会对各个时期有详细的了解。
• 您应该能够理解监督学习的机制。而说到无监督学习，我们并不总能清楚机器内部在做什么、它是如何学习的，等等。
• 在使用数据进行训练之前，您可以控制类别的具体数量。
• 您可以对类别的含义非常明确，也就是说，您可以以这样的方式训练分类器：使其拥有无懈可击的决策边界，并能可靠地区分不同类别。
• 一旦完成整个程序，您就无需在内存中保留训练数据。相反，您可以使用数学公式来保留决策边界。[2]

监督学习有哪些缺点？

• 监督学习在许多方面并不自然，无法完成机器学习中一些较为棘手的任务。
• 与无监督学习不同，监督学习无法从训练数据中提取未知信息。
• 与无监督学习不同，它无法凭自身通过判断数据特征来对数据进行聚类或分类。
• 在分类方面，如果我们输入的内容不属于训练数据中的任何一个类别，结果可能是错误的类别标签。假设您用猫和狗的数据训练了一个图像分类器。如果您提供一张长颈鹿的图片，结果可能是猫或狗，这是不正确的。
• 假设您的训练集缺少某些实例，而您想补充一课。那么在学习之后，当您使用这些样本时，可能无法得到正确的类别标签作为输入。

结论：

监督学习擅长分类和回归问题，例如判定新闻文章的类别，或预测未来某一日期的交易数量。监督过程的目标是在特定问题的背景下学习数据的含义。

1. 监督式机器学习。来源：https://www.javatpoint.com/supervised-machine-learning。
2. Petersson, D.，监督学习。来源：https://www.techtarget.com/searchenterpriseai/definition/supervised-learning。

 

监督学习的两大类型

• 分类：预测类别，例如是否为垃圾邮件，或某笔交易是否为欺诈。
• 回归：预测一个数值，例如房价或下个月的销售额。

常用算法

线性回归与逻辑回归、决策树、随机森林、支持向量机、k 近邻和神经网络。

一个简单的例子

要预测客户是否会延迟支付分期付款，您需要在已知结果（按时支付或逾期）的过往客户数据上训练模型，使用收入档次、预付金额和以往行为等特征。随后模型会为新客户打分。Installment Management System 等分期工具正好保存着此类数据。

优势与局限

当您拥有优质的已标注数据时，监督学习是准确的，但标注成本高昂，而且模型只能学到标签所体现的内容。请将其与无监督学习和强化学习进行比较。

快速解答

什么是过拟合？

过拟合是指模型死记硬背训练数据，而在新数据上表现不佳。更多数据、更简单的模型和验证可以减轻过拟合。