4.2 监督学习

说明 本讲核心：监督学习就是“刷题”。当反馈清晰、数据可靠且训练流程合理时，模型表现通常会提升。 一句话口诀：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。

要训练一个能看懂 X 光片的 AI，你需要请几百个年薪百万的放射科主任，一张一张地在片子上圈出肿瘤。 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。

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）