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)中的一个基础方法，算法在此方法中使用带有正确输出标签的输入数据进行训练。在这种方法中，模型通过将自身的预测结果与这些提供的标签进行对比来学习，本质上是在训练过程中拥有一个“监督者”来对其进行纠正。其主要目标是让系统充分学懂从输入到输出的映射函数，以便能够准确预测新的、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（从电子邮件垃圾邮件过滤器到自动驾驶系统）背后的驱动力。
监督学习的工作原理#
监督学习的工作流程围绕标记数据的使用展开。人们会策划一个数据集，其中每个训练样本都与相应的“基准真实值”标签配对。在模型训练阶段，算法会处理输入特征并生成预测。随后，一个称为损失函数的数学公式会衡量误差——即模型的预测与实际标签之间的差异。
为了将此误差降到最低，诸如随机梯度下降 (SGD)等优化算法会迭代调整模型的内部参数或模型权重。这个过程会在多个周期（称为轮次）中重复，直到模型在不过度拟合（overfitting）训练数据的情况下达到满意的准确度水平。诸如Ultralytics Platform之类的工具通过在一个统一的环境中管理数据集标注、训练和评估，简化了整个流水线。
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目标，例如“汽车”、“行人”或“红绿灯”。像Ultralytics YOLO26这样先进的模型通过实时快速分类和定位多个目标，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，根据平方英尺、位置和卧室数量等特征预测房屋价格就是一个回归问题。你可以通过这篇回归分析简介了解更多关于统计学基础的内容。
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 扫描进行训练，AI 模型可以学会以高精度检测出肿瘤或骨折等异常情况。这有助于放射科医生做出更快、更准确的诊断。了解如何使用 YOLO11 进行肿瘤检测以领会其在医疗领域的影响。
-
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。
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。
使用 Ultralytics YOLO26 的实战示例#
监督学习是训练现代计算机视觉模型的核心。以下 Python 代码片段展示了如何使用监督数据集 (COCO8) 训练 YOLO26 模型。该模型从数据集中的标记图像中学习来检测目标。
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这个简单的过程在底层利用了PyTorch的强大功能来执行复杂的矩阵运算和梯度计算。对于希望简化数据管理环节的人来说，Ultralytics Platform提供了用于云端训练和自动标注的工具，从而显著提高了监督学习工作流程的效率。
