监督学习

监督学习是什么

监督学习（Supervised Learning）是机器学习最核心的范式：训练数据是"输入-标签"对——每条输入都有正确答案（标签），模型通过学习大量这样的样例，学会从输入预测输出的规律。就像学生做"有答案的练习册"：题目（输入）+ 标准答案（标签），反复练习后掌握解题方法，考试时（新数据）也能答对。图像分类、语音识别、房价预测、垃圾邮件识别等绝大多数 AI 应用，训练方式都是监督学习。

核心任务

监督学习的两大任务类型：

• 分类：预测离散类别——垃圾邮件/正常邮件、图片里是猫还是狗、评论是正面还是负面。
• 回归：预测连续数值——房价、气温、销量、用户停留时长。
  两者区别在于输出的性质：类别是离散的，数值是连续的；算法（如逻辑回归、随机森林、神经网络）都能同时处理两类任务。

与无监督、强化学习的区别

无监督学习用无标签数据发现结构（聚类、降维），适合探索规律；监督学习用有标签数据学映射，适合落地任务；强化学习用试错+奖励学策略，适合序贯决策。三者常组合：无监督先做预训练、监督做任务微调、强化学习做对齐（RLHF），这正是大模型的训练范式。

实践要点

监督学习的质量取决于三件事：数据（样本量、标签准确度与多样性）、特征/表示（模型能看什么信号）、评估（在独立测试集上验证，防止过拟合）。理解监督学习，是理解"AI 模型是怎么训练出来、凭什么可信"的基础。