4.2 监督学习

监督学习就是“刷题”。有标签，叫监督；没标签，叫无监督。

4.2.1 填鸭式教育的胜利

监督学习（Supervised Learning） 是目前 AI 领域最成熟、应用最广的技术。

它的本质，就是一场 填鸭式教育。

想象一个 “虎妈”（算法）教育孩子（模型）：

1. 刷题：虎妈拿出一张照片（输入 X），问：“这是什么？”

2. 回答：孩子瞎猜：“是猫。”

3. 打分：虎妈看了一眼背面写着的标准答案（标签 Y），说：“错！这是狗。”

4. 修正：孩子挨了一手板，记住了这次教训。

在数据质量和训练流程都可靠的前提下，这种流程反复足够多次，模型识别能力通常会显著提升。

很多成熟 AI 应用（人脸识别、语音识别、垃圾邮件拦截）都建立在监督学习或其变体之上。

4.2.2 两种题型：选择题 vs 填空题

在监督学习的试卷上，主要有两种题型：

1. 分类问题（Classification） —— 做选择题。

   • 答案是 离散 的，有限个选项。

   • 例子：这封邮件是垃圾邮件吗？（A. 是 / B. 否）

   • 例子：这个图是数字几？（A. 0 / B. 1 ... / J. 9）

2. 回归问题（Regression） —— 做填空题。

   • 答案是 连续 的数字，可能性无限。

   • 例子：明天的房价是多少？（填：500万，501万...）

   • 例子：这孩子能长多高？（填：170cm，170.1cm...）

所以，区分它们的秘诀很简单：看输出结果是不是“连贯”的数值。

4.2.3 监督学习的代价：昂贵的“答案”

既然监督学习这么好用，为什么我们不把所有 AI 都做成监督学习？

因为 “标准答案”（标签） 太贵了。

这哪里是训练数据，简直是用黄金铺出来的。 数据标注成本，是阻碍监督学习发展最大的拦路虎。

[!NOTE] 在工程实践中，监督学习决不止步于“模型预测-纠正”，它必须通过严密的数学与指标评估来防止模型“死记硬背”（即过拟合），确保其具备举一反三的能力（泛化能力）。一个标准的监督学习工程闭环包含：

1. 数据划分：将数据集严格分为 训练集（Training Set，通常占80%）和 测试集（Test Set，通常占20%）。训练集用于学习规律，测试集用于考试验证。

2. 目标函数（Loss Function）：衡量模型预测值与真实标签之间差距的公式（如回归问题的均方误差 MSE，分类问题的交叉熵）。

3. 优化算法：通过特定的算法（最典型的如梯度下降法）不断微调千千万万个内部参数（权重与偏差），使得目标函数（误差）尽可能地缩小。

4. 可观测评估指标：在测试集上计算成绩。分类问题看准确率（Accuracy）、精确率（Precision）和召回率（Recall）；回归问题看均方根误差（RMSE）等。

请参阅本书配套仓库中的 labs/01_ml_basics.py。该实验使用基础的 Scikit-learn 库构建了一个极简的房价预测（线性回归）模型，展现了从制造模拟数据、划分测试集，到拟合模型并输出 RMSE 评估指标的连贯、可复现过程体验。

4.2.4 思考题

假设你想做一个“预测股票涨跌”的 AI。

1. 这是一个分类问题（涨/跌）还是回归问题（涨多少点）？

2. 它的“标签”（标准答案）从哪里来？需要人工标注吗，还是可以自动获得？（这一点决定了它是否昂贵）