《大数据分析技术应用》课件——53.监督学习概述.pptxVIP

监督学习概述

监督学习基本概念监督学习算法介绍目录

监督学习基本概念01

定义监督学习是机器学习的一种方法，通过训练包含输入和预期输出的数据模型，使其能够预测新的未见过的数据。特点监督学习需要有标记的数据集，通过训练集进行模型训练，并在测试集上进行评估；它依赖于输入特征和输出标签之间的映射关系，通过学习这种关系来预测新的数据。定义与特点

根据标签类型，可分为分类问题和回归问题。分类问题的输出是离散的类别标签，如图像分类；回归问题的输出是连续的数值，如房价预测。分类方式一根据训练数据的特点，可分为线性模型和非线性模型。线性模型假设输入特征与输出目标之间存在线性关系，如线性回归；非线性模型则允许更复杂的关系，如神经网络。分类方式二监督学习分类

VS监督学习广泛应用于各种领域，如图像识别、语音识别、自然语言处理、推荐系统等。意义监督学习能够从大量的数据中提取有用的信息和模式，帮助我们做出决策和预测，提高生产效率和准确性，同时也能够自动化一些繁琐的任务，节省人力和时间。应用场景应用场景及意义

监督学习算法介绍02

线性回归通过拟合一个线性模型来预测连续的目标变量，适用于预测数值型数据。逻辑回归用于解决分类问题，特别是二分类问题，通过Sigmoid函数将线性回归的预测值映射到(0,1)之间，从而得到分类概率。线性回归与逻辑回归

通过找到一个最佳的超平面来将不同类别的样本分开，这个超平面最大化