监督学习篇
监督学习是今天工业界用得最多的机器学习方法——你给它"数据 + 标准答案"，它学"输入 → 输出"的映射。它占所有 ML 应用的 80% 以上。
想象一个 5 岁小孩学认字。
老师指着图片"苹果"——小孩说"梨"；老师摇头："这是苹果。"
老师指着下一张图"梨"——小孩说"苹果"；老师摇头："这是梨。"
这样反复教 100 次——小孩慢慢就能自己看图说出"苹果"和"梨"。
关键是：每次小孩答题，老师都立刻告诉他对不对——这就是"监督"的含义。
监督学习的输入与输出
监督学习的数据集，每一份样本都是一对 (x, y)——x 是输入（特征），y 是答案（标签）。模型要学的就是从 x 到 y 的映射。
| 场景 | 输入 x（特征） | 输出 y（标签） |
|---|---|---|
| 垃圾邮件识别 | 邮件内容、发件人、关键词 | 垃圾 / 正常 |
| 房价预测 | 面积、地段、楼层、学区 | 价格（万元） |
| 猫狗识别 | 图片的像素 | 猫 / 狗 |
| 信用评分 | 收入、年龄、还款记录 | 该放贷吗（0~1） |
| 医学影像 | CT 图像 | 良性 / 恶性 |
两大类任务 · 分类 vs 回归
监督学习做的事，根据"y 是什么样"分两种：
分类 · Classification
y 是离散的类别——猫/狗、垃圾/正常、是/否。
例：判断一封邮件是不是垃圾邮件。
输出：概率（"95% 是垃圾"）。
回归 · Regression
y 是连续的数值——价格、温度、销量、股价。
例：预测一套房的价格。
输出：具体数字（"约 412 万"）。
分类 = 判断题——"这是猫吗？" 只有是/否；
回归 = 填空题——"这套房多少钱？" 答案是任意数字。
两类问题的算法、损失函数都不同，但训练套路一样。
主流算法速览
监督学习经过几十年沉淀，攒下一批"经典选手"，今天仍在大量使用：
| 算法 | 擅长 | 一句话理解 |
|---|---|---|
| 线性回归 | 简单预测（回归） | 画一条直线"穿过"所有数据点 |
| 逻辑回归 | 简单分类 | 把直线弯成 S 形，输出 0~1 概率 |
| 决策树 | 可解释分类 | 一层一层"如果是 X 就走这边" |
| 随机森林 | 稳定分类 | 很多决策树投票，少数服从多数 |
| SVM 支持向量机 | 中等规模分类 | 找一条"最宽的边界"分开两类 |
| KNN 近邻 | 小数据集 | "离我最近的 K 个邻居属于啥我就属于啥" |
| XGBoost / LightGBM | 结构化数据王者 | 一棵一棵地种决策树，每棵纠正前一棵的错误 |
| 神经网络 | 复杂模式（图像/语音/文本） | 层层抽象，最深最强大但最难解释 |
训练的过程到底在干嘛
拿"房价预测"举例——你手里有 1000 套房的数据（面积 + 价格），想让模型学到"面积 → 价格"的关系：
1. 假设一个"带参数的公式"
比如 价格 = w × 面积 + b。w 和 b 是模型要学的参数，初始时随机给个值。
2. 用当前公式算一遍
对每套房：用公式预测价格，跟真实价格对比——差距就是"损失"（Loss）。
3. 调整 w 和 b，让损失更小
这一步叫"梯度下降"——往损失减少的方向，把 w 和 b 微调一点点。
4. 重复 2-3 几千次
每次都让损失更小一点。最终 w 和 b 稳定下来——模型训练好了。
你打靶——第一枪打在 7 环，偏左上。
教练说："枪往右下挪一点。" 你调整，第二枪打在 8 环，还是偏一点点。
再调、再调——直到命中靶心。
机器学习做的就是这个：用误差指导调整，重复一千次，直到命中。
训练集 / 验证集 / 测试集
监督学习的数据必须分三份，缺一份都会翻车：
- 训练集（70%）模型"学"用的——模型在这上面不断调整参数。
- 验证集（15%）"模拟考试"——训练中途用来看效果，决定什么时候停。
- 测试集（15%）"期末大考"——只在最后用一次，看模型真实水平。
监督学习的痛点
- 标注成本高"答案"要靠人来标——医疗影像要资深医生标一张几块钱；自动驾驶要人工框每一帧的行人车辆。
- 标注可能错人会犯错——错标的数据会让模型学歪。
- 标注覆盖不全现实场景太多，标不完——所以模型遇到没见过的场景就翻车。
这就是为什么大模型时代要转向自监督学习（§ 4.4）——不再依赖人工标注。
监督学习在你生活中的样子
| 你做的事 | 背后的监督学习 |
|---|---|
| 用脸解锁手机 | 模型学过你的脸（分类：是/不是） |
| 相机自动识别"人像模式" | 模型学过"什么是人"（分割） |
| 抖音推荐下一个视频 | 模型学过"看过 X 的人也喜欢 Y"（回归：停留时长） |
| 邮箱自动过滤垃圾邮件 | 模型学过"垃圾邮件的特征"（分类） |
| 输入法联想下一个词 | 模型学过"什么词后面通常跟什么"（分类） |
| 导航预估到达时间 | 模型学过"历史通行数据"（回归） |
监督学习 = "老师一边教一边打分"。它是工业界最成熟、最常用的方法，但需要大量"标注好的数据"。
下一篇我们看"没有老师"的学习——无监督学习。