监督学习

监督学习如何运作

有监督的学习过程始于一个包含输入特征和相应输出标签的数据集。该标签数据集分为训练数据、验证数据和测试数据。

1. 训练：向模型输入训练数据。它对每个输入进行预测，并将其与正确的标签进行比较。
2. 纠错：模型预测与实际标签之间的差异由损失函数量化。梯度下降等优化算法会调整模型的内部参数或模型权重，使误差最小化。
3. 迭代：这个过程会重复多次，让模型学习数据中的基本模式。在验证集上对模型的性能进行监控，以防止出现过拟合等问题。
4. 预测：训练完成后，模型就可以对未标记的新数据进行预测。这些预测的质量将通过测试集和性能指标进行评估。

Ultralytics HUB 等平台可简化整个工作流程，从而简化数据集管理、模型训练和部署。

监督学习问题的类型

有监督的学习任务通常分为两大类：

• 分类：目标是预测离散类别或类别标签。例如，可以训练图像分类模型，将图像分类为包含 "猫 "或 "狗 "的图像。其他例子包括垃圾邮件检测和情感分析。Ultralytics YOLO等模型可用于高性能分类任务的训练。如需进一步阅读，请浏览分类介绍。
• 回归：目标是预测一个连续的数值。例如，一个模型可以根据房屋的大小和位置等特征预测房屋的价格。其他应用包括股票价格预测和温度预测。有关回归的概述，请参阅本回归分析指南。

实际应用

有监督的学习驱动着无数现代人工智能系统。这里有两个突出的例子：

1. 自动驾驶汽车中的物体检测：自动驾驶汽车依靠物体检测模型来识别和定位行人、其他车辆和交通标志。这些模型是在庞大的数据集上训练出来的，图像中的物体都标有边框。经过训练的模型可以处理实时视频馈送，从而做出关键的驾驶决策。Ultralytics 为汽车行业的人工智能提供强大的解决方案。
2. 医学图像分析：在医疗保健领域，监督学习模型被用于医学图像分析，如检测核磁共振成像或 CT 扫描中的肿瘤。放射科医生会对大量扫描图像进行标注，指出是否存在肿瘤。然后根据这些数据训练卷积神经网络 (CNN)，以协助早期诊断。例如，可以在脑肿瘤检测数据集上训练模型。

与其他学习范式的比较

监督学习有别于其他主要的机器学习范式：

• 无监督学习：这种方法使用未标记的数据，算法试图自己找到模式或结构，例如将相似的数据点分组（聚类）或降低数据维度。它不会从已知答案中直接学习输入到输出的映射。阅读 "无监督学习概述"。
• 自我监督学习（SSL）：无监督学习的一个子集，监督信号（标签）由输入数据本身自动生成。这是一种强大的技术，可在针对特定任务对基础模型进行微调之前，在大量无标签数据上对其进行预训练。
• 强化学习：在这一范例中，代理通过与环境互动，并根据自己的行动接受奖励或惩罚，从而学会做出一系列决策。它通过试验和错误来学习最佳行为，而不是从静态的、标注过的数据集中学习。探索强化学习概述。

总之，监督学习是一种强大而广泛使用的技术，它利用标记数据来训练预测任务的模型。它是许多成功的人工智能应用（包括 Ultralytics 开发和支持的应用）的基础，也是数据科学或人工智能领域从业人员的一项重要技能。