监督学习（Supervised Learning）也叫有监督学习
目录 |
监督学习是机器学习中的一种训练方式/学习方式。
监督学习是指通过让机器学习大量带有标签的样本数据，训练出一个模型，并使该模型可以根据输入得到相应输出的过程。通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类。
通俗举例：高考试题是在考试前就有标准答案的，在学习和做题的过程中，可以对照答案，分析问题找出方法。在高考题没有给出答案的时候，也是可以给出正确的解决。这就是监督学习。[1]
监督学习、半监督学习、无监督学习（unsupervised learning）属于机器学习(machine learning)的一种，机器学习属于人工智能（artificial intelligence）领域。
所谓人工智能，通俗理解，就是让机器能够拥有人类智慧。什么是人类智慧？拿一台机器和一个幼儿比较，给幼儿看一种三花猫的图片，和她说这是猫，如果再给她看另一品种的猫，幼儿可能会高兴地挥舞着手臂认出这也是一只猫。而如果将图片输入一台非人工智能机器，告诉机器这是一只猫，但如果换了不同颜色的猫B时，机器恐怕就不可能认出来了。
而机器学习正是让机器具有人类识别、思考等方方面面的能力，其中监督学习是最常见的一种机器学习，它的训练数据是有标签的，训练目标是能够给新数据（测试数据）以正确的标签。
例如，让机器学习区分判断邮件是否为垃圾邮件这一识别能力，一开始先将一些邮件及其标签（垃圾邮件或非垃圾邮件）一起输入机器进行训练，机器的学习模型不断捕捉这些邮件与标签间的联系进行调整和完善，然后人工输入一些不带标签的新邮件，让该模型对新邮件进行判断，以此反复训练，最终实现机器识别准确率的提高。[2]
监督并不是指人站在机器旁边看机器做的对不对，而是下面的流程：
（1）选择一个适合目标任务的数学模型
（2）先把一部分已知的“问题和答案”（训练集）给机器去学习
（3）机器总结出了自己的“方法论”
（4）人类把"新的问题"（测试集）给机器，让他去解答
1.有监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。
2.有监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法只有要分析的数据集的本身，预先没有什么标签。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不予以某种预先分类标签对上号为目的。
3.非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。
这一点是比有监督学习方法的用途要广。譬如分析一堆数据的主分量，或分析数据集有什么特点都可以归于非监督学习方法的范畴。
4.用非监督学习方法分析数据集的主分量与用K-L变换计算数据集的主分量又有区别。后者从方法上讲不是学习方法。因此用K-L变换找主分量不属于无监督学习方法，即方法上不是。而通过学习逐渐找到规律性这体现了学习方法这一点。在人工神经元网络中寻找主分量的方法属于无监督学习方法。