人工监督

在学习过程中，一些基于人工监督的方法如下-

监督学习算法或方法是最常用的ML算法。这种方法或学习算法会在训练过程中获取数据样本（即训练数据）及其相关输出（即每个数据样本的标签或响应）。

监督学习算法的主要目标是在执行多个训练数据实例之后，学习输入数据样本与相应输出之间的关联。

例如，我们有

X -输入变量和

Y -输出变量

现在，应用一种算法来学习从输入到输出的映射函数，如下所示：-

现在，主要目标是很好地近似映射函数，以便即使我们有新的输入数据（x），我们也可以轻松地预测该新输入数据的输出变量（Y）。

之所以称为监督，是因为可以在老师或主管的指导下思考整个学习过程。监督式机器学习算法的示例包括 决策树，随机森林，KNN，逻辑回归等。

基于ML任务，监督学习算法可以分为以下两大类-

基于分类的任务的主要目标是预测给定输入数据的分类输出标签或响应。输出将基于模型在训练阶段学到的知识。众所周知，分类输出响应表示无序且离散的值，因此每个输出响应将属于特定的类或类别。我们还将在接下来的章节中详细讨论分类和相关算法。

基于回归的任务的主要目标是针对给定的输入数据，预测输出标签或响应，它们是连续的数值。输出将基于模型在其训练阶段中学到的内容。基本上，回归模型使用输入数据特征（独立变量）及其对应的连续数值输出值（因变量或结果变量）来学习输入与对应输出之间的特定关联。我们还将在后面的章节中详细讨论回归和相关算法。