监督学习是最常见的类型机器学习算法。它使用已知的DataSet(称为训练数据集)来训练具有已知一组输入数据(称为特征)和已知响应的算法,以便进行预测。训练数据集包括标记的输入数据,该输入数据与所需的输出或响应值配对。从它来看,监督学习算法试图通过发现特征和输出数据之间的关系来创建模型,然后使新数据集的响应值预测。
在申请监督学习之前,无人监督的学习经常用于发现建议候选功能的输入数据中的模式,并且特征工程将它们转换为更适合受监管的学习。除了识别特征外,还需要针对培训集中的所有观察确定的正确类别或响应,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,从而减少标签努力。
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。
您可以培训,验证和调整预测性监督学习模型马铃薯®和深度学习工具箱™,统计和机器学习工具箱™。
监督学习算法类别
分类:用于分类响应值,其中数据可以分成特定类。二进制分类模型具有两个类,多字符分类模型更多。您可以使用MATLAB与分类学习者应用培训分类模型。
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方面文章。
常见的回归算法包括:
监督学习应用程序
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的生物学应用中;在能源应用中的价格和负荷预测;在模式识别言语和图像的应用;在预测维护中设备寿命估算。