有监管的机器学习

什么是有监管的机器学习？

在监督学习（机器学习的基本范式）中，算法通过标记数据进行学习，以做出预测或决策。这个过程有几个重要的关键阶段，从数据收集和预处理开始，然后是模型训练、测试和部署。在为各种实际应用开发和部署有效模型时，以上每一步都发挥着至关重要的作用。

• 数据收集和处理：需要对大量原始数据进行修剪和修改，以便 ML 模型能够有效地处理数据。通常会由数据分析师或数据科学家来检查数据，看看遗漏了什么，以及数据是否需要更多上下文或者是否需要对数据集中添加更多数据来完善 ML 模型。
• 训练流程：将数据集输入机器学习算法，然后算法学着识别模式、与其他数据区域的相关性以及输入特征和输出标签之间的关系。算法将调整其内部参数，以找到将输入特征映射到输出标签的最佳数学函数。数据科学家会审查第一次迭代、调整训练流程，直至它已做好进行模型测试的准备。
• 模型测试：机器学习算法校准后，开始基于新的或未见过的数据进行测试，看看它是否能得出与训练阶段相似或一致的答案。如果输出低于期望值，则数据科学家将调整算法，直到得到一致的答案，否则需要重新开始该流程。

模型执行：在得到一致的结果后，将模型部署到新数据上，应用于实际业务，用于预测新结果、预测预算或收入，或观察下一趋势。

分类：分类是一种类型的监督学习，在这种学习中，算法根据输入特征将数据分类为预定义的类或类别。它从标记的训练数据中学习，然后预测新的、未见过的数据点的类标签。

行业：

• 医疗保健：对医学图像进行分类，以用于疾病诊断。
• 金融：对交易进行分类以检测欺诈行为。
• 电子商务：对客户进行分组，以便有针对性地开展营销。

回归：回归是一种监督学习技术，用于根据输入特征和输出变量之间的关系预测连续数值。它通过标记的训练数据进行学习，以估计这种关系并基于新数据进行预测。

行业：

• 房地产：根据房地产特征预测房价。
• 医疗保健：根据治疗情况预测患者康复时间。
• 能源：估算电力消耗，以便进行资源规划。