第 15 天：监督学习——从「标准答案」中学会举一反三
你有没有发现，孩子学认字时，老师会先指着「猫」说这是猫，再指着「狗」说这是狗。看多了答案，孩子自己就能认出新的图片。这种「看着答案学规律，再用来预测新事物」的方法，在 AI 里就叫监督学习。今天我们就来认识它，以及它的两大任务类型：分类和回归。
什么是监督学习
监督学习的关键词是「监督」，意思是学习过程中有一个老师——也就是标准答案，全程陪着模型。 整个流程分三步： 第一步，准备一堆「题目 + 答案」的数据。比如一组房子的「面积、地段、房间数」配上它的「成交价格」。 第二步，把数据喂给模型，让它找出「题目」和「答案」之间的关系规律。 第三步，给模型一道新题目（只有特征，没有答案），让它根据学到的规律，给出预测。 打个比方，就像你做了一百套高考真题，每套都有参考答案和详细解析。做完之后，再遇到没见过的模拟题，你也能估出大致分数。监督学习就是这样一种「题海战术 + 总结规律」的过程。
认识分类：回答「是哪一类」
分类任务的目标是给事物「贴标签」，回答「这是哪一类」的问题。答案是有限的几个类别，比如「是 / 否」「猫 / 狗 / 鸟」「垃圾邮件 / 正常邮件」。 举个例子：你手机里的垃圾邮件过滤功能，就是一个分类模型。训练时，工程师会喂给它几十万封已经标好「垃圾 / 正常」的邮件，让它学会垃圾邮件里常见的关键词和套路。新邮件进来时，模型看一眼，就能判断该归到哪一类。 需要注意，分类的答案是离散的几个点，就像选择题的 ABCD，不能出现「一半对一半错」的情况。常见的分类算法有决策树、随机森林、支持向量机等。
认识回归：预测「是多少」
回归任务的目标是预测一个具体的数值，回答「是多少」的问题。答案是连续的，可以是任意数字，比如房价、温度、销量、身高。 举个例子：链家网站上的「房价预估」功能，就是一个回归模型。训练数据里有很多房子的面积、楼层、地段，对应着真实的成交价。模型学完之后，给它一套新房子的特征，它就能输出一个具体的数字，比如「这套房大约值 380 万」。 回归和分类最大的区别在于输出类型：分类输出是「类别」，回归输出是「数字」。常见的回归算法有线性回归、岭回归、决策树回归等。
分类 vs 回归：一张表看懂区别
我们用一个生活场景来对比两者：预测明天的天气。 如果问「明天会下雨吗？」答案是「会 / 不会」——这是分类。 如果问「明天最高气温多少度？」答案是「28 度」这种具体数字——这是回归。 简单记法：看输出的「答案长什么样」。选项式的、有限几个的，是分类；可以连续变化的数字，是回归。两者在算法选择、评估指标上都有差别，但核心思路都是「从带答案的数据里找规律」。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
监督学习最核心的特征是什么？
第 2 题
下面哪个任务属于「回归」问题？
第 3 题