Supervised Learning

监督学习是人工智能 (AI)中的一种基础方法，算法在带有正确输出标注的输入数据上进行训练。在这种方法中，模型通过将自身的预测结果与提供的标签进行比较来学习，相当于在训练过程中有一个“监督者”对其进行纠正。其主要目标是让系统充分学习从输入到输出的映射函数，从而能够准确预测新测试数据的标签。这项技术是如今许多最实用、最成功的 AI 应用的驱动力，应用范围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标注数据展开。数据集经过整理，其中每个训练样本都与相应的“真实值”标签配对。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，即模型预测结果与实际标签之间的差异。

为了最小化这一误差，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。这一过程会重复许多轮，称为训练周期，直到模型达到令人满意的准确率，同时不会对训练数据过拟合。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，简化了整个流程。

监督学习的主要类型#

监督学习问题通常根据目标变量的性质分为两大类：

• 分类： 这涉及预测离散的类别或类标签。一个常见示例是目标检测，模型在其中识别并定位图像中的对象，例如“汽车”“人”或“交通信号灯”。Ultralytics YOLO26等先进模型能够快速对多个对象进行分类和定位，在实时任务中表现出色。
• 回归分析： 这涉及预测连续的数值。例如，根据房屋面积、位置和卧室数量等特征预测房价，就是一个回归问题。你可以通过这篇回归分析简介进一步了解其统计学基础。

实际应用#

监督学习为各行各业的大量技术提供支持：

1. 医疗诊断： 通过使用数千张带标签的 X 射线或 MRI 扫描图像进行训练，AI 模型可以学习以高精度检测肿瘤或骨折等异常。这有助于放射科医生更快、更准确地作出诊断。请参阅YOLO11 如何用于肿瘤检测，了解其在医疗领域的影响。

2. 欺诈检测： 金融机构使用监督学习监控交易模式。通过使用包含合法交易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，保护客户免遭盗窃。

监督学习与无监督学习#

区分监督学习和无监督学习非常重要。监督学习依赖带标签的输入-输出对，而无监督学习则使用未标注数据。在无监督场景中，算法会自行尝试在数据中发现隐藏的结构、模式或分组，例如营销中的客户细分。对于有历史数据可用的特定任务，监督学习通常更加准确；而无监督学习更适合探索性数据分析。

使用 Ultralytics YOLO26 的实际示例#

监督学习是训练现代计算机视觉模型的核心。下面的 Python 代码片段演示了如何使用监督数据集（COCO8）训练一个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

这一简单流程在底层借助 PyTorch 的能力执行复杂的矩阵运算和梯度计算。对于希望简化数据管理工作的用户，Ultralytics Platform提供基于云的训练和自动标注工具，使监督学习工作流程的效率显著提升。