监督学习是向机器学习模型提供输入数据和正确输出数据的过程。
监督学习是机器学习的一种类型，其中机器使用“标记良好”的训练数据进行训练，并基于该数据，机器预测输出。
标记的数据意味着一些输入数据已经用正确的输出标记。
监督学习算法的目的是找到一个映射函数来映射输入变量 (x) 和输出变量 (y)。
监督学习可用于风险评估、图像分类、欺诈检测、垃圾邮件过滤等。
监督机器学习算法的类型：
1.回归
如果输入变量和输出变量之间存在关系，则使用回归算法。
2.分类
当输出变量是分类时使用分类算法，这意味着有两个类别，例如是 - 否，男性 - 女性，真假等。
最著名的监督学习算法：
1. 线性回归
线性回归分析用于根据另一个变量的值来预测一个变量的值。您要预测的变量称为因变量。您用来预测另一个变量值的变量称为自变量。
- 逻辑回归
这种类型的统计模型（也称为 logit 模型）通常用于分类和预测分析。逻辑回归根据给定的自变量数据集估计事件发生的概率，例如投票或未投票。
- K-最近邻
k-最近邻算法，也称为KNN或k-NN，是一种非参数的、有监督的学习分类器，它使用邻近度对单个数据点的分组进行分类或预测。
4.支持向量机（SVM）
支持向量机或 SVM 是最流行的监督学习算法之一，用于分类和回归问题。但是，它主要用于机器学习中的分类问题。
- 决策树
决策树以树结构的形式构建回归或分类模型。它将数据集分解为越来越小的子集，同时逐步开发相关的决策树。最终结果是一棵具有决策节点和叶节点的树。
- 梯度提升
梯度提升是一种机器学习提升。它依赖于直觉，即最好的下一个模型与以前的模型相结合时，可以最大限度地减少整体预测误差。关键思想是为下一个模型设置目标结果，以最小化错误。
文章来源：https://bhagirathkd.hashnode.dev/most-famous-supervised-machine-learning-algorithms#write-comment
