機器學習分為兩種最主要的模式，分別為監督式機器學習與非監督式機器學習，本篇文章會簡單介紹一下監督式機器學習以及常見的用法。

監督式機器學習是什麼?

當你使用機器學習的過程中，需要有資料的「正確答案」，例如違約與否或是疾病檢查是陽性等等，大多數是需要人工標籤才能產生的資料，而學習的目的是透過這個正確答案來預測往後的數據，這個類型就是我們所稱的監督式機器學習。

監督式機器學習的優缺點

• 優點
  能夠十分輕易的評斷模型的優劣，因為訓練過程中有明確的正確答案可以供模型驗證，也可以針對自己想要的結果進行針對性的調整。
• 缺點
  一定要有資料標籤才能夠實現，否則在沒有正確答案提供模型參考的情況下，無法執行監督式機器學習，並且資料標籤算是資料整理中最複雜且麻煩的項目，大多需要人工前置準備。

常見的監督式機器學習用在哪裡?

常見的預測模型，例如大多數機器學習競賽都是監督式機器學習，其原因正如上方所提到的優點，容易評估模型的優劣，能夠較客觀的給出分數。
此外，自然語言處理(NLP)目前也是需要大量的已標籤語料庫，雖然有著非監督式機器學習的訓練方式，但主流還是以監督式為主。

監督式機器學習有哪些?

一般會提及的模型幾乎都是監督式機器學習，例如決策樹、隨機森林、SVM，或是深度學習當中的物件辨識、神經網路等等，時下許多應用都是基於監督式機器學習。

監督式機器學習怎麼用?

我們延續上次使用的資料集，該資料集所預測的結果是數值，由官方文件所述是疾病級數(有任何關於資料的疑惑也可以參考官方文件，其他資料集也是練習時好用的工具！)。

我們先合併一份檔案方便觀察資料

total_data = pd.concat([dummies,pd.DataFrame(data.target,columns=["target"])],axis = 1)
total_data.head()

由於我們的目標是數值型變數，因此我們要選擇迴歸類型的模型，匯入決策樹的決策樹迴歸模型。

from sklearn.tree import DecisionTreeRegressor #匯入決策樹
DTR = DecisionTreeRegressor()　# 將模型指派給DTR方便之後呼叫
DTR.fit(dummies,data.target) # 使用fit函數並放入(資料,答案)

接著我們就可以使用這個模型進行預測了

DTR.predict(total_data.iloc[0,:-1].values.reshape(1,-1)) # 預測第一筆資料

你應該會發現，預測的結果居然跟正確的答案一樣！？是模型很厲害嗎？其實是我們使用了訓練集當中的資料進行預測結果，這就像是你寫過一次的考卷，已經知道答案的情況下再寫一次，當然會給出十分接近甚至完全相同的答案！關於訓練、驗證、測試資料集的切分我們將在之後的章節介紹～