监督学习是最常见的一种机器学习算法。它使用一个已知的数据集(称为训练数据集)，用一组已知的输入数据(称为特征)和已知的响应来训练算法，从而做出预测。训练数据集包括带有标签的输入数据，这些输入数据与期望的输出或响应值配对。在此基础上，监督学习算法通过发现特征与输出数据之间的关系来创建模型，然后对新数据集的响应值进行预测。
在实施监督学习之前，无监督学习通常用于在输入数据中发现建议候选特征的模式，并将其转换为更适合于监督学习的模式。除了识别特征之外，还需要为训练集中的所有观察结果识别出正确的类别或响应，这是一个非常劳动密集型的步骤。半监督学习允许您使用非常有限的标记数据训练模型，从而减少标记工作。
一旦算法被训练，一个没有被用于训练的测试数据集通常被用来预测算法的性能并验证它。为了获得准确的性能结果，训练和测试集都是“现实”的良好表示(即，来自生产环境和模型的数据都得到了正确验证)是至关重要的。
您可以对预测性监督学习模型进行训练、验证和调优MATLAB®与深度学习工具箱™,统计和机器学习工具箱™。
监督学习算法
分类:用于分类响应值，可以将数据分成具体的类。二元分类模型有两个类，多类分类模型有更多。你可以用MATLAB的classification Learner应用程序训练分类模型。
常用的分类算法包括:
回归:用于连续响应数值。回归模型可以很容易地训练与MATLAB的回归学习者应用程序，学习如何在这个视频在这个文章．
常用的回归算法包括:
监督学习应用
监督学习用于金融应用信用评分、算法交易和债券分类;在肿瘤检测和药物发现方面的生物应用;在能源应用的价格和负荷预测；在模式识别语音和图像的应用;在预测性维护中设备寿命估算．
