Uczenie nadzorowane to rodzaj uczenia maszynowego, w którym algorytm jest szkolony na oznaczonym zbiorze danych w celu przewidywania lub podejmowania decyzji. Oznaczony zestaw danych zawiera zarówno cechy wejściowe (znane również jako zmienne niezależne), jak i etykiety wyjściowe (znane również jako zmienne zależne). Algorytm uczy się odwzorowywać cechy wejściowe na etykiety wyjściowe w procesie optymalizacji. Po przeszkoleniu algorytmu można go użyć do przewidywania etykiety wyjściowej dla nowych obserwacji wejściowych, których wcześniej nie widział. Algorytmy uczenia nadzorowanego mogą być wykorzystywane do zadań takich jak klasyfikacja (przewidywanie etykiety kategorialnej) i regresja (przewidywanie ciągłej wartości liczbowej).
Data publikacji: