手把手教你监督学习（附python实战代码）

为什么选择人工智能和机器学习？

人类的未来是人工智能/机器学习。任何不了解的它们的人很快就会发现自己已经落后了。在这个充满创新的世界中醒来感觉科技越来越像魔术。有许多种方法和技术来执行人工智能和机器学习来解决实时问题，其中监督学习是最常用的方法之一。

什么是监督学习？

在监督学习中，我们从导入包含训练属性和目标属性的数据集开始。监督式学习算法将学习训练样本与其相关目标变量之间的关系，并应用该学习关系对全新输入（无目标）进行分类。

为了说明监督学习是如何工作的，让我们从一个根据他学习的小时数来预测学生分数的例子。

在数学上，Y = f（X）+ C

其中，f将是标记学生为考试准备的小时数之间的关系；

X是INPUT（他准备的小时数）；

Y是输出（标记在考试中得分的学生）；

C将是随机错误。

监督学习算法的最终目标是以给定的新输入X，输出最大精度预测Y。算法工程师们已经发明了几种方法来实现监督学习，我们将探索一些最常用的方法。

基于给定的数据集，机器学习问题分为两类：分类和回归。如果给定的数据同时具有输入（训练）值和输出（目标）值，那么这是一个分类问题。如果数据集具有不带任何目标标签的属性的连续数值，则它属于回归问题。例如：

分类：有输出标签，它是猫还是狗？

回归：房子卖多少钱？

分类

举一个一位希望分析乳腺癌数据的医学研究人员的例子，以预测患者应接受三种特定治疗中的哪一种。该数据分析任务被称为分类，其中构建模型或分类器以预测类别标签，诸如“处理A”，“处理B”或“处理C”。

分类是预测问题，包括分类预测和分类无序的类别标签。这是一个两步过程，由学习步骤和分类步骤组成。

分类的最佳方法

一些最常用的分类算法

1.K-最近邻；

2.决策树；

3.朴素贝叶斯；

4.支持向量机；

在学习步骤中，分类模型通过分析训练集来建立分类器。在分类步骤中是预测给定数据的类别标签。分析中的数据集元组及其关联的类标签被分成一个训练集和测试集。构成训练集的各个元组从随机抽样的数据集中进行分析。剩余的元组形成测试集并且独立于训练元组，这意味着它们不会用于构建分类器。

原文链接