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。