监督式学习(Supervised learning)

监督式学习是由一组人工标记的数据推测出假设函数的学习方法。大量训练样本构成样本集。每个训练样本包含输入值和期望输出值。下面我们看一个例子。

我们有美国波特兰地区47套房屋的居住面积及其价格的数据集。

数据绘制在二维图上：
监督式学习(Supervised learning)

根据这些数据我们可以找到预测波特兰房屋价格的方法（一个关于房屋面积的函数）吗？

我们先申明一些标记符，x(i)。

监督式学习的过程可表示为下图，训练集通过学习算法训练，求出一个假设（房屋面积对价格的函数）。当我们有新的数据需要预测时，给出房屋面积代入假设模型中，就会给出价格的预测值。
监督式学习(Supervised learning)

如果像这次的例子，目标变量是连续的(认为价格是连续的)，学习问题就是回归问题；如果目标变量是离散的，学习问题就称为分类问题。

与监督式学习对应的非监督式学习，则是在一群未标记的数据上做数据处理（可以理解为只有值）。