4.Supervised_Learning

Supervised Learning 是機器學習中最常見的一種學習類型，其核心特點是「有標籤資料」。模型透過已知的輸入（特徵）與對應的輸出（標籤）來學習預測規則，進而應用在未知資料上。

1. 主要任務類型

A. 分類（Classification）

  • 輸出為離散類別（例如：是/否、A/B/C）

  • 常見應用：垃圾郵件判斷、疾病診斷、圖像辨識

B. 回歸（Regression）

  • 輸出為連續數值（例如：價格、溫度、機率）

  • 常見應用：房價預測、銷售量預測、風險評估

2. 常見演算法

分類模型：

  • Logistic Regression

  • Decision Tree

  • K-Nearest Neighbors (KNN)

  • Support Vector Machine (SVM)

  • Naive Bayes

  • Random Forest

  • Gradient Boosting (XGBoost, LightGBM)

回歸模型：

  • Linear Regression（Simple/Multiple）

  • Ridge / Lasso / ElasticNet

  • Decision Tree Regression

  • SVR（Support Vector Regression）

  • Ensemble 回歸模型

3. 建模流程

  1. 數據前處理與特徵工程

  2. 選擇適合任務的模型類型

  3. 拆分資料（train/validation/test）

  4. 模型訓練與超參數調整（GridSearch / CV）

  5. 模型評估（準確率、MSE、ROC-AUC 等）

  6. 預測與部署

4. 評估指標（依任務不同）

任務類型
常見指標

分類

Accuracy, Precision, Recall, F1, ROC-AUC

回歸

MAE, MSE, RMSE, R²

5. 工具與套件

  • scikit-learn: 主力工具庫，提供完整模型與 API

  • xgboost, lightgbm: 高效能集成演算法

  • pandas, numpy: 特徵與資料處理

  • matplotlib, seaborn: 可視化結果

6. 延伸子章節

  • Classification/Logistic Regression.md

  • Classification/KNN.md

  • Regression/Linear Regression.md

  • Regression/Lasso.md

  • Ensembling Methods/Random Forest.md

Supervised Learning 是所有 AI 模型應用的基礎，從金融到醫療、行銷到推薦系統都離不開這類方法。建議從簡單模型著手，逐步深入理解其假設與限制。

Previoust-SNE.mdNextClassification

Last updated