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
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