監督學習是向機器學習模型提供輸入數據和正確輸出數據的過程。
監督學習是機器學習的一種類型，其中機器使用“標記良好”的訓練數據進行訓練，并基于該數據，機器預測輸出。
標記的數據意味著一些輸入數據已經用正確的輸出標記。
監督學習算法的目的是找到一個映射函數來映射輸入變量 (x) 和輸出變量 (y)。
監督學習可用于風險評估、圖像分類、欺詐檢測、垃圾郵件過濾等。
監督機器學習算法的類型：
1.回歸
如果輸入變量和輸出變量之間存在關系，則使用回歸算法。
2.分類
當輸出變量是分類時使用分類算法，這意味著有兩個類別，例如是 - 否，男性 - 女性，真假等。
最著名的監督學習算法：
1. 線性回歸
線性回歸分析用于根據另一個變量的值來預測一個變量的值。您要預測的變量稱為因變量。您用來預測另一個變量值的變量稱為自變量。
- 邏輯回歸
這種類型的統計模型（也稱為 logit 模型）通常用于分類和預測分析。邏輯回歸根據給定的自變量數據集估計事件發生的概率，例如投票或未投票。
- K-最近鄰
k-最近鄰算法，也稱為KNN或k-NN，是一種非參數的、有監督的學習分類器，它使用鄰近度對單個數據點的分組進行分類或預測。
4.支持向量機（SVM）
支持向量機或 SVM 是最流行的監督學習算法之一，用于分類和回歸問題。但是，它主要用于機器學習中的分類問題。
- 決策樹
決策樹以樹結構的形式構建回歸或分類模型。它將數據集分解為越來越小的子集，同時逐步開發相關的決策樹。最終結果是一棵具有決策節點和葉節點的樹。
- 梯度提升
梯度提升是一種機器學習提升。它依賴于直覺，即最好的下一個模型與以前的模型相結合時，可以最大限度地減少整體預測誤差。關鍵思想是為下一個模型設置目標結果，以最小化錯誤。
文章來源：https://bhagirathkd.hashnode.dev/most-famous-supervised-machine-learning-algorithms#write-comment
