Supervised Learning 監督式學習，是機器學習的一個分支，在前面ML應用的文章就有稍微簡單的介紹過一次了，
但是這次我們要深入的研究，監督式學習。

兩種最常見的機器學習模型

監督式的ML model和無監督的ML model，在前面的文章有說過，監督式學習和非監督式學習，
最大的差別就在傳入的資料有沒有Label(標籤)，而標籤就是一個告訴ML model自己預測的對不對的
"正確答案！"
我們想要學習預測的正確答案。在無監督學習中，數據並沒有標籤！
那麼ML model在沒有標籤"正確答案"的情況下又要如何學習呢[非監督式學習]？
在非監督式學習裡ML model 的預測會傾向"分類！"，請看下圖！

上面那組資料就是非常適合非監督式學習來Predict的一個Dataset，可以看到上面那組資料
分成了兩大群，這時候就算資料沒有Label，ML model 也可以把它分成兩組因為這份資料中兩組資料的界線非常明顯，
但是 Model並不會知道它在做甚麼(因為沒有Label)，它只是透過了大量的數據來發現一點特徵把它分類而已，
但是並不會知道它在分的是什麼(要知道的話就要給他Label)。
而我們今天的重點是監督式學習Supervised Learning，我們來看看下面這份資料！

這是一間餐廳的資料，如果我們要預測一位Waiter可以收到多少小費，用非監督式學習的話是會出問題的！
我暪可以看到我們要預測的結果是"小費"，而小費可以是任意數值，這代表如果要用非監督式學習來學的話
你的ML system會學的一蹋糊塗，因為小費的值有很多種根本無法分類(類別太多了！)，這時候我們就可以給他
Label 這個樣子我們的ML model 就可以在資料中找到線索，並且預測出小費金額！監督式學習可以預測的東西
往往比非監督式學習還多！