Supervised Learning

探索 AI 中的监督学习。学习像 Ultralytics YOLO26 这样的模型如何使用带标签的数据进行分类和回归，以实现高精度结果。

监督学习是人工智能 (AI) 中的一种基础方法，算法通过带有正确输出标签的输入数据进行训练。在这种方法中，模型通过比较自身的预测结果与这些提供的标签来学习，这在训练过程中就像有一位“监督者”在进行纠正。其主要目标是让系统能够足够好地学习从输入到输出的映射函数，从而准确地预测新的、未见过的测试数据的标签。这项技术是当今许多最实用、最成功的 AI 应用背后的驱动力，范围涵盖从电子邮件垃圾邮件过滤器到自动驾驶系统。

Link to this section监督学习的工作原理#

监督学习的工作流围绕着标注数据的使用。通过整理数据集，使每个训练样本都配有一个相应的“事实真值”标签。在模型训练阶段，算法处理输入特征并生成预测结果。随后，一个称为损失函数的数学公式会衡量误差，即模型预测与实际标签之间的差异。

为了最小化这种误差，优化算法（例如随机梯度下降 (SGD)）会迭代调整模型的内部参数或模型权重。这个过程在许多周期（称为轮次 (epochs)）中重复，直到模型在不出现过拟合训练数据的情况下达到令人满意的准确度水平。Ultralytics Platform 等工具通过在统一环境中管理数据集标注、训练和评估，简化了整个流水线。

Link to this section监督学习的主要类型#

根据目标变量的性质，监督学习问题通常分为两大类：

分类： 这涉及预测离散的类别或类标签。一个常见的例子是目标检测，模型可以在图像中识别并定位对象，例如“汽车”、“人”或“交通灯”。像Ultralytics YOLO26这样的高级模型通过实时快速分类和定位多个对象，在这些任务中表现出色。
回归分析： 这涉及预测连续的数值。例如，基于面积、位置和卧室数量等特征来预测房价就是一个回归问题。你可以在这篇回归分析介绍中了解更多关于其统计学基础的内容。

Link to this section实际应用#

监督学习为各行各业的众多技术提供了动力：

医学诊断： 通过对成千上万张带有标签的 X 光片或 MRI 扫描图进行训练，AI 模型可以学习以高精度检测肿瘤或骨折等异常情况。这能协助放射科医生更快、更准确地进行诊断。查看 YOLO11 如何用于肿瘤检测以了解其在医学领域的影响。
欺诈检测： 金融机构使用监督学习来监控交易模式。通过对历史数据中的合法交易和欺诈交易进行训练，这些系统能够实时标记可疑活动，从而保护客户免受盗窃。

Link to this section监督学习与无监督学习#

将监督学习与无监督学习区分开来很重要。虽然监督学习依赖于带标签的输入输出对，但无监督学习处理的是未标注的数据。在无监督场景下，算法会尝试自行发现数据中隐藏的结构、模式或分组，例如市场营销中的客户细分。在有历史数据可用的特定任务中，监督学习通常更准确；而对于探索性数据分析，无监督学习则更适用。

Link to this sectionYOLO26 的实际示例#

监督学习是训练现代计算机视觉模型的核心。以下 Python 代码片段演示了如何使用监督数据集 (COCO8) 训练 YOLO26 模型。模型从数据集中的带标签图像中学习以检测对象。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

这个简单的过程利用了底层的 PyTorch 能力来执行复杂的矩阵运算和梯度计算。对于那些希望简化数据管理方面工作的人，Ultralytics Platform 提供了云端训练和自动标注工具，使监督学习的工作流变得更加高效。