P4-2.1 监督学习¶

Section ID: P4-2.1 Version: v2026.07.20

在 P4-1.2 里，我们把 machine learning 看成 从数据中估计输入和输出关系的方法。现在要看其中最先会遇到的一种形式：监督学习。

监督学习，是用已经带有 label 或 target value 的案例来训练 model 的方式。这里的 label 不只是名字标签，而是 model 想匹配的输出。因为案例会告诉它 给定这种输入时，应该出现什么结果，所以才会用 supervised 这个词。

监督学习可以先读成 看着同时带有例子和答案的案例，再去猜新案例输出 的方式。但 model 并不是在理解人写的解释，它是在大量案例中不断调整自己的内部标准，让输入和输出之间的关系尽量匹配。

这一节会说明 supervised learning、输入 X 与目标 y、classification 和 regression 的基本区分。后面的章节会带着这个抓手继续判断当前语境，而 基于标签的学习到底是什么意思 这个基础含义，会以本节和 概念词汇表 为基准再次接回。

本节范围¶

这一节说明监督学习的基本结构。像 linear regression、logistic regression、decision tree 这样的具体算法会在后面分别展开。具体来说，linear regression 会在 P4-10 再处理，logistic regression 会在 P4-11 再处理，decision tree 会在 P4-14 再处理。

• 在监督学习里，输入和 label 各自是什么？
• classification 和 regression 有什么不同？
• training、evaluation、prediction 是怎样连起来的？
• 有了 label，就表示 model 已经知道正确答案了吗？
• 在监督学习里，一开始最先该小心的误解是什么？

用监督学习留下的判断标准¶

• 能把监督学习说明成 从带标签的案例里学习输入与输出关系的方法。
• 能区分输入数据 X 和 label / target y 的角色。
• 能用例子说明 classification 和 regression 的差别。
• 能说明为什么要分开 training data 和 evaluation data。
• 能区分 model 的 prediction 和服务的最终 decision。

先用一个场景来理解¶

想一想自动分类客户咨询的场景。

在监督学习里，会把这样的案例展示给 model。咨询内容是输入，人工贴上的咨询类型是 label。model 会被训练成：当新的咨询进来时，去预测它更接近哪个 label。

这个例子里最关键的是 已经有 label。如果没有 label，model 就不会直接知道自己应该匹配什么。正因为 label 存在，它才有办法朝着匹配输入和输出关系的方向学习。

监督学习的基本形状¶

在监督学习里，案例会被准备成 输入 - 输出 的配对。

输入通常写成 X，label 或 target value 写成 y。如果沿用 Part 2 里的表格视角，X 就是一份有很多行列的数据；行表示一个案例，列表示一个 feature。y 则承担每个案例的答案角色。

与其把 X 和 y 当成数学符号死记，不如按它们承担的角色去理解。

这里 答案 这个词仍然要谨慎。label 是学习数据里 model 想去匹配的值，但它并不保证就是现实世界对所有情况都成立的完整真理。人工贴的 label 可能出错，测量值里也可能有 noise。

如果把 Part 3 里整理数据的流程带进来，那么在进入监督学习之前，下面四种东西必须先分开。

这里写成 有条件地会，是因为就算某个值看起来像目标候选，也不代表它立刻就是监督学习问题。首先要确认 label 标准是否一致、以后还能不能按同样标准重新贴、以及模型应该匹配的问题到底是 classification 还是 regression。identifier 列也是一样。它对重新找到案例很重要，但通常不会原样直接送进 model，而是分开管理。

按流程来看¶

监督学习的流程可以读成下面这样。

flowchart TD
  A["带标签的样本<br/>X 和 y"]
  B["划分数据<br/>训练 / 测试"]
  C["训练模型<br/>在训练数据上拟合"]
  D["评估<br/>把预测与 y 比较"]
  E["新输入<br/>未标注案例"]
  F["预测<br/>模型输出"]
  G["服务决策<br/>策略或动作"]

  A --> B
  B --> C
  C --> D
  C --> E
  E --> F
  F --> G

在这张图里，train model 是 model 在 training data 上调整内部值，让输入与 label 之间的关系尽量匹配的阶段。evaluate 是拿没有参与训练的数据，把 prediction 和真实 label 拿来比较的阶段。prediction 则是把训练好的 model 用到一个新输入上的阶段。

最后的 service decision 是故意分开摆出来的。就算 model 给出了 垃圾邮件概率 0.92，也不代表服务一定要立刻拦截。服务仍然可能同时考虑 policy、成本、风险和用户体验，再决定是拦截、人工复核还是放行。

分清 training、evaluation、prediction¶

第一次接触监督学习时，最容易混在一起的几个词，就是 training、evaluation、prediction。

只要这三步区分开，我们做出了一个模型 这句话就会更清楚。训练 model、证明它真的可用、以及把它放到服务里运行，根本不是同一件事。

classification 和 regression¶

监督学习通常会先按 classification 和 regression 这两个大类来说明。

classification 问的是 它属于哪个类别？ 例如，一封邮件是垃圾还是正常、一条评论是正面还是负面、一张图片是猫还是狗。

regression 问的是 它大概是多少？ 例如，房价是多少、明天的需求量有多少、配送时间大概需要多少分钟。

二者的共同点，是都在学习输入和输出之间的关系。差别在于输出的性质。如果输出是类别，它更接近 classification；如果输出是数值大小，它就更接近 regression。

小例子：学习时间和是否通过¶

考虑下面这样一份小数据，它同时包含学习时间、模拟考试分数和是否通过。

如果目标是 是否通过，那它是一个 classification 问题。model 的目标，是根据新学生的学习时间和模拟分数，预测 通过 或 未通过。

反过来，如果目标是 真实考试分数，它就变成了 regression 问题。model 的目标，是根据学习时间和模拟分数，预测 大概会考多少分。

同一份数据，只要你把什么放进 y 改掉，问题就会变。这正是监督学习里 问题定义 之所以重要的原因。

label 是从哪里来的¶

监督学习需要 label。label 可以通过多种方式形成。

• 由人直接分类
• 使用既有业务系统的结果
• 使用传感器或测量设备的记录
• 使用后来真实发生的结果

例如，在客户流失预测里，像 30 天内是否取消服务 这样的真实结果可以当作 label；在不良品分类里，检验员贴上的判定可以当作 label；在房价预测里，实际成交价可以当作 target value。

但 有 label 并不总是代表你已经拥有了一个好的监督学习问题。如果 label 本身不准确、label 标准中途改变、或 label 对某些群体存在偏差，那么 model 也会把这些问题一起学进去。

所以必须把 label 存在 和 立刻就能拿来做监督学习 分开看。

也就是说，监督学习不是从 发现了一列 label 开始，而是从确认 这个 label 能不能稳定地表达我们真的想预测的结果 开始。

实际工作里，往往还要先很短地判断一下：当前问题到底是不是监督学习。

为什么要拆分数据¶

model 在 training data 上表现好，并不够。我们真正想要的是：它在没见过的数据上也有用。

所以在监督学习里，会把数据拆开来看。

先把 training data 和 test data 的区分立清楚非常重要。关键点在于：把已经学过的问题答对 和 把第一次看到的问题答对，不是同一回事。

在监督学习里一开始最先要小心的误解¶

在监督学习里，首先要避开的误解有下面这些。

• 不要以为有了 label，问题就会自动变简单。
• 不要把 label 当成现实里完整无误的真答案。
• 不要把 training data 上的分数，当成真实服务里的性能。
• 不要把 model prediction 当成服务的最终 decision。
• 不要先按算法名字来区分 classification 和 regression，而要先看输出本身的性质。

监督学习不是 把正确答案告诉模型让它死记。更准确地说，它是利用带有 label 的案例去估计输入和输出之间的关系，再去确认这种关系能不能 generalize 到新的案例。

案例与示例¶

案例 1. 当客户咨询已经有人类答案时，为什么它适合读成监督学习¶

假设某个团队想把客户咨询自动分成 配送、退款、账户 等类型。如果历史咨询记录和客服人工贴上的类型已经一起留下来了，人就很容易想到：能不能利用这些答案，把新咨询也分好？

这个场景里最重要的是：已经存在能充当答案角色的 label。model 可以学习 咨询内容 这个输入，与 客服贴上的类型 这个输出之间的关系。于是，它就成了一个去预测新咨询更接近哪一种类型的问题。

这也就是为什么本节会把监督学习解释成 X 和 y 同时存在的问题。咨询内容、链接数量、长度等会变成 X，人工贴上的类型会变成 y。只有这套结构立住，model 才会清楚自己到底在匹配什么。

真正可检查的结果，会出现在没有用于训练的新咨询评估里。如果它不只是对历史咨询表现好，在新咨询上的分类准确率也能保持，那么这个问题就被整理成了一个结构比较稳的监督学习问题。

flowchart TD
  A["历史咨询"]
  B["有人类标注"]
  C["设定 X = 咨询特征"]
  D["设定 y = 咨询类型"]
  E["训练监督学习模型"]
  F["预测新的咨询"]
  G["检查未见数据上的准确度"]

  A --> B --> C --> D --> E --> F --> G

检查清单¶

• 能不能说明在什么状态下，有 label 和 可以立刻当成监督学习问题来用 必须分开看？
• 能不能说明为什么即使是同一份数据，只要 y 放的东西不同，classification 和 regression 就会改变？
• 能不能在监督学习语境里说明，model prediction 和服务最终 decision 是不同阶段？
• 能不能说明监督学习是从同时带有输入 X 和 label 或 target y 的案例里学习关系的方法？
• 能不能说明 label 是 model 想匹配的输出，但并不保证就是现实里的完整真理？
• 能不能区分 training 是拟合关系的阶段，而 evaluation 是在没见过的数据上确认的阶段？

来源与参考资料¶

• Google, Machine Learning Glossary, 包含 supervised learning、label、classification、regression 等条目，确认日期：2026-07-10. https://developers.google.com/machine-learning/glossary
• scikit-learn developers, Supervised learning, scikit-learn User Guide, 确认日期：2026-07-10. https://scikit-learn.org/stable/supervised_learning.html