本文来自之前在Udacity上自学机器学习的系列笔记。这是第4篇，介绍了什么是监督学习。
监督学习（Supervised Learning）
监督学习是机器学习的一种分类，“监督”是什么意思呢？它表示在有不同情况下的数据，都有对应的正确的标签来表示什么情况对应什么反应。比如说无人驾驶的例子，通过收集在不同路况（数据）下人类驾驶员所执行的驾驶行为（标签），然后将数据收集起来后训练程序，让程序学习如何驾驶。从而，程序学会了在不同路况下自动地执行的相应的动作，从而实现无人驾驶的目的。
下面再举四个例子：
- 通过多张分类的图片集，识别某张图片是否存在某个人；
- 分析信用卡交易数据，并识别出欺诈交易；
- 根据某人的常听的歌曲以及歌曲的一些属性，推荐某首该人可能喜欢的歌曲；
- 根据线上学习平台的学生学习特点，将学生分类。
其中，例子1和3属于监督学习。例子2因为我们没有定义所谓的欺诈交易是怎么样的，也就是说，没有给给定的交易标签为欺诈或非欺诈，所以不属于监督学习；而例子4属于非监督学习的分类，我们不知道学生有哪些既定的标签分类。
接着上面的例子3，常听的歌曲中有一些属性Feature，比如歌曲的旋律、节奏、曲风、歌手性别等，而标签Label则是这个人喜欢的和不喜欢的歌曲。
综上，监督学习就是获取输入和输出的例子，然后给定一个新的输入，预测输出。输出的数据有两种类型，连续的和离散的，前者是回归模型问题，后者是分类模型问题。输出如果是连续的，隐含了输出是有序的这一特性，比如说像年龄、收入这些数据，从数学上的意义，他们不是纯粹地连续，因为没有人的年龄是18.5岁，或者收入精确到小数点后5位。但它们是有序的输出。
