監督式學習（Supervised Learning）

是機器學習一種方法，可以訓練資料中學到或建立一個模式，並模式推測新的實例。訓練資料由輸入物件和預期輸出所組成。函數的輸出可以是一個連續的值，或是預測一個分類標籤

一個監督式學習者任務在觀察完一些事先標記過訓練範例後，去預測這個函數對任何可能出現的輸入的輸出

監督式學習算法

• 分類演算法：預測分類變量（離散值）取值，例如:垃圾郵件分類、圖像識別
• 迴歸演算法：預測連續變量的值，例如:房價預測、股票回歸

監督式學習應用

• 圖像識別（Image recognition）：面部識別、物體識別
• 自然語言處理（Natural language processing）：機器翻譯、情感分析
• 語音識別（Speech recognition）：語音助手、語音轉錄
• 推薦系統（Recommendation systems）：電影推薦、商品推薦

監督式學習常見演算法

• 線性迴歸（Linear regression）：一種簡單迴歸算法，學習線性函數
• 邏輯迴歸（Logistic regression）：一種分類算法，學習邏輯函數
• 支持向量機（Support vector machine）：一種分類算法，學習最大邊緣超平面
• 決策樹（Decision tree）：分類和迴歸算法，學習樹狀結構
• 隨機森林（Random forest）：集成學習算法，由多棵決策樹組成
• 梯度提升（Gradient boosting）：集成學習算法，由多棵決策樹組成

優點與缺點

• 易於理解和實現：監督式學習演算法通常比較直觀，易於理解和實現
• 準確率高：監督式學習演算法能夠在許多任務上實現較高的準確率
• 需要大量的標記數據：監督式學習演算法需要大量的標記數據進行訓練
• 容易過擬合：監督式學習演算法容易過擬合訓練數據，在新的數據上表現不佳

程式碼(Python-Scikit-learn)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 載入資料
data = pd.read_csv("data.csv")

# 分割資料集
X = data.drop("price", axis=1)  # 特徵
y = data["price"]  # 目標變數
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 建立模型
model = LinearRegression()

# 訓練模型
model.fit(X_train, y_train)

# 進行預測
y_pred = model.predict(X_test)

# 評估模型
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

儘管存在這些局限性，監督式學習仍然是一種非常有用的機器學習方法，可以廣泛應用於各種實際問題