监督学习是机器学习的一个核心领域，它涉及使用标记的训练数据来训练模型，以便它们可以预测或分类新的、未标记的数据。以下是一些监督学习基础概念和常见算法的简要介绍。

监督学习类型

监督学习主要分为以下几类：

  • 分类：将数据分为不同的类别。例如，判断一封电子邮件是否为垃圾邮件。
  • 回归：预测一个连续值。例如，预测房价。

常见监督学习算法

以下是一些常见的监督学习算法：

  • 线性回归：用于回归问题，预测一个连续值。
  • 逻辑回归：用于分类问题，预测一个二进制结果。
  • 支持向量机（SVM）：通过找到一个最佳的超平面来区分不同的类别。
  • 决策树：通过一系列的规则来分类或回归数据。

实践示例

以下是一个简单的线性回归示例，用于预测房价：

from sklearn.linear_model import LinearRegression
import pandas as pd

# 加载数据
data = pd.read_csv('/path/to/housing_data.csv')

# 特征和标签
X = data[['area', 'bedrooms']]
y = data['price']

# 创建模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 预测房价
predicted_price = model.predict([[2000, 3]])
print("Predicted Price:", predicted_price)

更多资源

想要深入了解监督学习？请访问我们的机器学习教程页面。

机器学习