监督学习是机器学习中的一个重要分支，它通过学习输入数据和对应的输出标签来构建模型。以下是一些关于监督学习的教程和资源。
基础概念
- 分类：将数据分为不同的类别。例如，将邮件分为垃圾邮件和非垃圾邮件。
- 回归：预测一个连续的数值。例如，预测房价。
常见算法
- 线性回归：用于回归问题，通过线性关系预测连续值。
- 逻辑回归：用于分类问题，通过线性关系预测概率。
- 支持向量机（SVM）：通过找到一个超平面来分隔不同的类别。
- 决策树：通过一系列的决策规则来分类数据。
实践案例
以下是一个使用决策树进行分类的案例：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建决策树分类器
clf = DecisionTreeClassifier()
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
扩展阅读
更多关于监督学习的教程和资源，请访问本站机器学习教程。