监督学习

监督学习是人工智能 (AI)中的一种基础方法，其中算法通过带有正确输出标签的输入数据进行训练。在此方法中，模型通过将其自身预测与这些提供的标签进行比较来学习，本质上在训练过程中有一个“监督者”来纠正它。主要目标是让系统充分学习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。这种技术是当今许多最实用和成功的 AI 应用背后的驱动力，从电子邮件垃圾邮件过滤器到自动驾驶系统。

监督学习的工作原理

监督学习的工作流程围绕着标注数据的使用展开。构建一个数据集，其中每个训练样本都与相应的“真实标签”配对。在模型训练阶段，算法处理输入特征并生成预测。一个称为损失函数的数学公式会测量误差——即模型预测与实际标签之间的差异。

为了最小化这个误差，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。这个过程会重复多个周期，这些周期被称为epochs，直到模型在不过拟合训练数据的情况下达到令人满意的准确度。像Ultralytics Platform这样的工具通过在统一环境中管理数据集标注、训练和评估，简化了整个流程。

监督学习的关键类型

监督学习问题通常基于目标变量的性质分为两种主要类型：

• classify：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，其中模型识别并定位图像中的对象，例如“汽车”、“行人”或“交通灯”。像Ultralytics YOLO26这样的高级模型通过实时快速 classify 和定位多个对象，擅长这些任务。
• 回归分析：这涉及预测一个连续的数值。例如，根据房屋的面积、位置和卧室数量等特征预测房价就是一个回归问题。你可以在这篇回归分析入门中了解更多统计学基础知识。

实际应用

监督学习驱动着跨越不同行业的广泛技术：

1. 医疗诊断：通过对数千张标注的 X 射线或 MRI 扫描图像进行训练，AI 模型可以学习以高精度 detect 肿瘤或骨折等异常。这有助于放射科医生做出更快、更准确的诊断。了解 YOLO11 如何用于肿瘤 detect，以理解其医学影响。
2. 欺诈检测：金融机构使用监督学习来监控交易模式。通过对合法和欺诈交易的历史数据进行训练，这些系统可以实时标记可疑活动，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非常重要。监督学习依赖于带有标签的输入-输出对，而无监督学习则处理无标签数据。在无监督场景中，算法会尝试自主发现数据中的隐藏结构、模式或分组，例如市场营销中的客户细分。监督学习通常在有历史数据的特定任务中更准确，而无监督学习则更适合探索性数据分析。

YOLO26 实际示例

监督学习是训练现代计算机视觉模型的关键。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。模型从数据集中标注的图像中学习以 detect 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

这一简单过程在底层利用了 PyTorch 的强大功能，以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的人来说，Ultralytics Platform 提供了用于云端 training 和自动标注的工具，显著提高了监督学习工作流的效率。