监督学习

监督学习通过标记数据集训练模型，以预测新输入的结果。

主要任务包括回归（预测连续值）和分类（分配离散标签）。

常用算法有线性回归、逻辑回归、K近邻和朴素贝叶斯。

决策树和随机森林是集成学习方法，能提高预测准确性和处理大数据集的能力。

回归用于预测连续值，模型目标是最小化预测输出与实际输出之间的误差。

分类将离散类别标签分配给输入，常用于电子邮件分类、肿瘤预测等。

线性回归用于建模因变量与自变量之间的关系，目标是拟合线性方程。

逻辑回归用于二分类任务，输出为概率并转化为二元结果。

K近邻算法基于输入数据点与其最近邻的相似性进行预测，适用于分类和回归。

朴素贝叶斯是一种基于贝叶斯定理的分类算法，假设特征相互独立。

决策树通过树状结构建模决策及其可能后果，易于理解和解释。

随机森林通过构建多个决策树并聚合其输出，提高预测准确性和鲁棒性。