监督学习是一种类型的机器学习使用已知数据集算法（称为训练数据集）进行预测。训练数据集包括输入数据和响应值。从中，监督学习算法旨在建立一个模型，可以使响应值的预测为新的数据集。使用更大的训练数据和优化模型hyperparamamters往往能增加模型的预测能力，并确保它可以为新的数据集概括好。测试数据集通常被用来验证模型。

监督学习包括以下两类算法：

• 分类：对于分类响应值，其中数据可以被分解为特定的“类”
• 回归：用于连续响应值

常见的分类算法包括：

• 金宝app支持向量机（SVM）
• 神经网络
• 朴素贝叶斯分类器
• 决策树
• 判别分析
• 最近的邻居（ķNN）

一般回归算法包括：

• 线性回归
• 非线性回归
• 广义线性模型
• 决策树
• 神经网络

有关监督学习算法的详细信息，请参阅统计和机器学习工具箱™和深度学习工具箱™。

监督学习在金融应用中使用信用评分，算法交易，和键分类;在肿瘤检测和药物发现生物学应用;在价格和负荷预测能源的应用;在模式识别应用程序的语音和图像。