监督式学习

监督式学习（Supervised Learning）是 机器学习 中最常見的範式之一。 其核心思想是在訓練階段為模型提供帶有標籤的資料，即每個樣本都伴隨一個已知的目標值，使得模型能夠通過比較預測結果與真實標籤來調整參數，最小化 损失函数。 常用的任務包括 分类任务 與 回归分析，前者用於將輸入劃分到離散的類別，後者預測連續的數值。监督式学习的优势在于模型表现可直接在标注资料上进行量化评估，因而在许多实际应用如图像识别、自然语言处理等领域取得显著成果。 然而，这种方法高度依赖大规模高品质的 标记资料，获取和标注成本往往成为瓶颈。为解决标注资料不足的问题，研究者提出 半监督学习 与 弱监督学习 等策略，结合少量标注和大量未标资料进行训练。整体而言，监督式学习仍是实现高精度模型的核心手段，但其成功很大程度上取决于资料的品质与规模。