监督学习

🧬 知识点关系网络

数据标注→特征提取→模型训练→预测与评估

⬆️ 监督学习的核心流程：从历史中学习规律，预测未知。

线性回归 —— 拟合一条直线描述变量间的关系。理解最小二乘法与梯度下降的异同。
💡 用Scikit-learn的LinearRegression预测房价。
逻辑回归 —— 在线性回归外套一层Sigmoid，输出0-1概率。掌握交叉熵损失与最大似然估计。
💡 用逻辑回归做垃圾邮件二分类。
决策树与随机森林 —— 决策树通过递归分裂节点构建规则，随机森林通过集成多棵树降低方差。
💡 可视化一棵决策树，理解特征重要性的含义。
支持向量机 —— 寻找最大化两类之间间隔的超平面。理解核技巧如何将线性不可分映射到高维。
💡 用RBF核的SVM在非线性数据集上对比线性模型。
集成学习 —— Bagging并行训练降低方差，Boosting串行纠偏降低偏差。XGBoost是工业界首选。
💡 在Kaggle比赛上用XGBoost调参，观察学习率与树深度的关系。

💡 学习贴士： 理论与代码并重，动手实现经典模型，在GPU上验证想法。

前置依赖： 学习监督学习前，建议具备Python编程、线性代数、概率论基础。

后续延伸： 学完监督学习后，可继续深入AI的其他子领域或应用方向。

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

基于历史价格与交易量预测未来走势。

根据症状与检验指标判断患病风险。

基于邮件内容与发送者特征分类。

预测用户对商品的点击或购买概率。

我是一名正在学习监督学习的学生，请用生动易懂的方式为我讲解其核心概念，并结合AI领域的实际应用场景加以说明。