Hello 大家好！歡迎回來！昨天剛剛分享完深度強化學習 (Deep Reinforcement Learning)，那今天我打算跟大家分享監督學習 (Supervised Learning)。事不宜遲，現在開始！

簡介

監督式學習是機器學習中的一種基本方法，它使計算機能夠從標記資料中學習並進行準確的預測或分類。通過利用由輸入-輸出對組成的訓練數據集，監督式學習算法可以推廣模式和關係，從而對未見數據進行預測。

監督式學習算法

之前已經介紹過一些了，那我們就快速帶過吧。

• 線性回歸
  線性回歸是廣泛應用於回歸任務的監督式學習算法，其目標是根據輸入特徵預測連續值。
• 邏輯回歸
  邏輯回歸是用於二元或多類別分類任務的監督式學習算法，提供每個類別標籤的概率。
• 決策樹
  決策樹是多用途的監督式學習算法，根據 if-then 規則將特徵空間劃分為區域，以進行預測。
• 支持向量機 (SVM)
  SVM 是一種強大的監督式學習算法，它找到一個最優超平面來分離不同類別的數據點。

評估和模型選擇

• 訓練和測試
  監督式學習模型通過將數據集劃分為訓練集和測試集來進行評估，評估其在未見數據上的性能。
• 性能指標
  使用各種指標 (如準確率、精確度、召回率和 F1 分數) 來評估監督式學習模型的性能。
• 交叉驗證
  交叉驗證技術，包括 k-fold 交叉驗證，有助於估計模型在不同數據子集上的性能。

應用

• 圖像分類
  監督式學習在圖像分類任務中取得了成功應用，使計算機能夠準確分類圖像中的物體和場景。
  [1]
• 情感分析
  通過在標記的文本資料上進行訓練，監督式學習模型可以進行情感分析，識別文本資料中的正面或負面情感。
• 欺詐檢測
  監督式學習算法在欺詐檢測系統中得到應用，根據歷史模式和標記的欺詐資料識別欺詐交易。
• 醫學診斷
  監督式學習在醫學診斷中起著關鍵作用，模型通過在標記的醫學資料上進行訓練，識別疾病並協助決策。

挑戰和未來發展方向

• 有限的標記資料
  監督式學習在很大程度上依賴於標記資料，而獲取大型高質量的標記數據集可能既昂貴又耗時。
  標註需要時間與金錢。以標註成本最低的圖像分類為例，圖像分類 Open Source 數據集 ImageNet 包含 1,281,167 的訓練集 +50,000 的驗證集。如果尋求外部的數據標註公司，分類任務都是以張數計價；越困難的任務標註成本也越大，例如目標檢測的估價大多是以標註框來計算，在同樣的圖片量級會比分類任務貴出好幾倍。
• 過擬合和欠擬合
  平衡模型的複雜性以避免過擬合 (高變異) 或欠擬合 (高偏差) 是監督式學習中的一個關鍵挑戰。
• 可解釋性
  隨著模型變得越來越複雜，理解和解釋其決策對於信任和透明度變得越來越重要。
• 半監督學習和主動學習(明天+後天我們將會説到)
  利用標記和未標記資料，以及主動選擇信息豐富的樣本進行標記的方法，是目前的研究領域。

參考資料

• 機器學習任務：監督學習/半監督學習/無監督學習 [1]

我是 Mr. cobble，明天見！