监督学习

监督学习是机器学习（ML）领域的主流模式。 监督学习是机器学习（ML）领域的主流范式。 在这种情况下，算法是根据已标注正确输出的输入数据进行训练的。与系统自主探索数据的其他方法不同 数据的方法不同，这种方法依赖于一个 "监督者"--已标记的数据--来指导学习过程。 标注数据来指导学习过程。其 主要目的是让模型学习一个从输入变量到输出变量的映射函数，并具有足够的准确性，从而能够预测新的输入变量和输出变量的结果。 它可以预测新的、未见过的数据的结果。这种方法是许多 商业 人工智能（AI） 应用的基础，从垃圾邮件过滤器到先进的计算机视觉（CV 计算机视觉 (CV)系统。

流程如何运作

工作流程从包含成对输入（特征）和所需输出（标签）的数据集开始。这个数据集 通常分为不同的子集： 用于教授模型的训练数据、用于调整参数的验证数据 用于调整参数，测试数据用于最终评估。 评估。

在模型训练阶段，算法会处理输入数据并进行预测。 输入数据并做出预测。一个称为 损失函数来计算预测结果与实际标签之间的差值。 与实际标签之间的差值。为了最小化这一误差，一种 优化算法，如 梯度下降法等优化算法，反复调整内部 模型权重。这种循环会持续多次、 或历时，直到模型达到令人满意的性能 而不会过度拟合训练集。要深入 深入了解这些机制，可以参考 Scikit-learn 监督学习指南。

监督学习的核心类别

根据输出变量的类型，大多数监督学习问题主要分为两类：

• 图像分类：输出变量 输出变量是类别或等级。目标是预测离散标签，例如确定一封电子邮件是 "垃圾邮件 "或 "非垃圾邮件"，或一张图片包含 "猫 "或 "狗"。现代 架构，如 Ultralytics YOLO11这样的现代架构 通过快速识别可视数据中的模式来完成分类任务。
• 回归：输出 变量是一个连续的实际值。例如，根据面积预测房地产价格或 预测股市趋势。您可以在 IBM 的回归分析概述中了解这些方法的统计基础。

实施分类模型

通过高级应用程序接口，训练监督模型变得越来越容易。下面的Python 示例 演示了如何在MNIST 数据集（数字分类的标准基准）上训练YOLO11 模型。

from ultralytics import YOLO

# Load a pretrained classification model
model = YOLO("yolo11n-cls.pt")

# Train the model on the MNIST dataset
# Ultralytics handles the download of the 'mnist160' dataset automatically
results = model.train(data="mnist160", epochs=5, imgsz=64)

# Run inference on a sample image to verify the supervised learning
print(model("https://ultralytics.com/images/bus.jpg"))

实际应用

监督学习为各行各业的关键技术提供动力。两个突出的例子包括

1. 自动驾驶汽车： 自动驾驶汽车在很大程度上依赖于 物体检测系统。 学习训练的物体检测系统。包含成千上万张行人、交通信号灯和其他车辆图像的注释数据集可让汽车的人工智能实时识别和定位危险。 汽车的人工智能能够实时识别和定位危险。英伟达等公司 NVIDIA ）等公司利用深度学习来处理这些庞大的 传感器输入，实现安全导航。
2. 医学图像分析： 在医疗保健领域，根据放射科专家标注的扫描结果对模型进行训练，以协助诊断。例如 模型可以学会识别 X 射线或核磁共振成像中病变的早期迹象。研究人员经常利用 脑肿瘤检测数据集等资源来构建支持临床决策的系统。 支持临床决策的系统。

区分相关概念

必须将监督学习与其他机器学习范式区分开来：

• 无监督学习： 与监督学习不同，这种方法处理的是无标记数据。其目标是发现隐藏的结构，例如 如通过聚类分析将具有相似购买习惯的客户分组。 聚类分析。
• 强化学习： 代理不是从正确答案的静态数据集中学习，而是通过与环境互动来学习。它 以奖励或惩罚的形式接收反馈，这一概念在 萨顿和巴托的《强化学习》一书中详细介绍了这一概念。
• 半监督学习： 半监督学习：这种方法是一种中间方法，它利用少量已标注数据和大量未标注数 数据来提高学习效率，通常在标注数据昂贵或耗时的情况下使用。