2-2 初识监督学习

2-1.监督学习简单理解

一、什么是监督学习

① 监督学习的基本任务：

1 - 分类：做选择题，返回的结果为某一种类型；

2 - 回归：让模型预测的结果是一段区间，连续值。

②训练集与测试集：

监督学习就相当于学生学习参加考试的过程一样, 先从作业中学习知识, 即"训练集", 写完作业检查对得出正确率的过程可以称为"训练精度";

用于考试的试卷称为"测试集", 参加考试获得的分数就称为"测试精度"，考试的分数高(即测试精度较高), 那么可以说明该模型"泛化(对没见过的数据的准确预测能力)"比较强，反之即泛化不强。

③拟合：

拟合的过程：在一个图像中，标出数据点后，构造一个函数模型使其以一条光滑的曲线将个个数据点连接起来。

拟合的两种情况：

1-过拟合: 字面上理解，“过分地拟合”, 构造出来的模型的曲线不够光滑，严格地穿过每一个数据点，使得模型过于复杂，不具有参考性。举例说明：假设构建一个分类树叶的模型，现实中有的树叶有锯齿，有的没有，如果对这些相关的特征不加以筛选，每个都赋予相同的权重，那么绘制出来的函数曲线就会比较复杂，结果可能会是明明是树叶，但却因为没有锯齿而没有被分类为树叶这样不符合实际的情况。过拟合现象实际上是过分依赖训练集数据的表现，可能能够较为精确地预测训练集数据，但对测试集数据泛化精度较差(平时写作业挺能的，一到考试纸老虎)。

如上图所示，模型曲线一板一眼地穿过了每一个数据点，这称为过拟合现象。

2-欠拟合: 构造出来的模型根本不能够贴合数据点，使得模型过于简单，没有实际参考意义，这是因为给模型训练的数据太少，使得其出现泛化精度差的现象。举例说明：还是拿树叶来说，如果训练得不够，那么可能会出现这样的预测现象："只要是绿色的，带有叶柄就一定是树叶"或者拿FPS玩家的梗：“单发，有镜子，是狙没错了(doge)”, 实则可能是大炮(doge*3)…欠拟合现象即模型学习的数据太少导致的偏差(平时不学习, 作业写不好, 更别指望考试了).

图自CSDN用户 – 谦卑

总而言之，应该在在欠拟合和过拟合之间实现平衡即目标。

监督学习内容涵盖不是一篇能记完的，先上个思维导图罢：