지도 학습이는 답이 알려진 예제를 사용하여 네트워크를 훈련하고, 출력과 입력 사이에 관계가 있는 머신 러닝 방법입니다.

패턴은 일반적으로 훈련 데이터를 기반으로 학습하거나 설정할 수 있으며, 훈련 데이터가 입력과 예상 출력으로 구성된 경우 새로운 인스턴스를 추론하는 데 사용할 수 있습니다. 함수의 출력은 연속된 값이거나 예측된 분류가 될 수 있습니다.

지도 학습의 분류

지도 학습은 종종 분류 및 회귀 문제에 사용됩니다. 회귀와 분류 알고리즘의 차이는 출력 변수의 유형에 있습니다. 회귀는 양적 출력이나 연속 변수 예측을 지정합니다. 분류는 출력 유형이나 이산 변수 예측을 지정합니다.

머신 러닝 방법의 분류

머신 러닝 분야에는 세 가지 주요 접근 방식이 있습니다.

• 지도 학습: 알려진 답변의 예를 사용하여 학습합니다.
• 비지도 학습: 클러스터링과 같이 입력 데이터 세트를 직접 모델링합니다.
• 반지도 학습: 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 종합적으로 활용하여 적절한 함수를 생성합니다.

일반적으로 사용되는 지도 학습

• K-최근접 이웃 알고리즘
• 의사결정 트리
• 나이브 베이즈
• 로지스틱 회귀
• 역전파 신경망

상위 단어: 머신 러닝

동의어: 반지도 학습, 비지도 학습

하위 단어: 회귀 알고리즘, 분류 알고리즘