什么是监督学习？

监督，机器学习的目的是建立一个模型基础上的不确定性的存在证据，使预测。作为自适应算法识别数据模式中，从观测的计算机“学习”。当暴露在更多的观测，计算机提高了其预测性能。

具体而言，一个监督学习算法以已知的输入数据的组和已知响应的数据（输出），并火车一个模型来生成用于应对新的数据合理预测。

例如，假设你想预测某人是否会在一年内心脏病发作。你有一组以前病人的数据，包括年龄、体重、身高、血压等。你知道以前的病人在他们测量的一年内是否有心脏病发作。所以，问题是将所有现有数据组合成一个模型，来预测一个新人是否会在一年内患上心脏病。

您可以将整个输入数据集看作一个异构矩阵。矩阵的行称为观察，例子， 要么实例，每个都包含一组受试者（示例中的患者）的测量值。矩阵的列称为预测，属性， 要么特征，并且每个是表示在每一个受试者（年龄，体重，身高等在该示例中）所取的测量变量。你能想到的响应数据，其中每一行包含的相应观察输入数据的输出（患者是否有心脏发作）的列向量的。至适合或培养一个有监督的学习模型，选择合适的算法，然后将输入和响应数据传递给它。

监督学习分裂成两大类：分类和回归。

统计和机器学习工具箱™监督学习功能包括流线型，目标框架。可以有效地培养了多种算法，结合模型成一个整体，评估模型表演，交叉验证和预测新数据的反应。

在监督学习步骤

虽然有许多统计和机器学习算法工具箱的监督学习，大部分使用相同的基本工作流程，获得的预测模型。（详细指令上的步骤为集成学习是在框架集成学习）为监督学习的步骤如下：

• 准备数据

• 选择一个算法

• 拟合模型

• 选择验证方法

• 检查飞度和更新，直到满意为止

• 使用拟合模型的预测

Ypredicted =预测（OBJ，Xnew）

分类算法的特点

此表显示的各种监督学习算法的典型特征。在任何特定的情况下的特性可以从所列出的那些变化。使用表作为算法你最初的选择指南。决定你的速度，内存使用率，灵活性和可解释性想要的权衡。

在这个表中的结果是基于对许多数据集进行分析。该研究中的数据集有多达7000个观察，预测80和50班。这个列表定义表中的条款。

速度：

记忆