監督式學習的任務已明確定義，可應用於各種情境，例如識別垃圾郵件或預測降雨量。
監督式學習的基本概念
監督式機器學習的核心概念如下：
- 資料
- 型號
- 訓練
- 評估中
- 推論
資料
資料是機器學習的驅動力，資料以文字和數字的形式儲存在表格中，或是以圖像和音訊檔案中擷取的像素和波形值的形式存在。我們會將相關資料儲存在資料集中。舉例來說，我們可能有以下資料集：
- 貓的圖片
- 房價
- 天氣資訊
資料集由個別示例組成，其中包含特徵和標籤。您可以將示例視為試算表中的單一資料列。特徵是監督式模型用來預測標籤的值。標籤是「答案」，也就是我們希望模型預測的值。在預測降雨量的天氣模型中，特徵可能包括緯度、經度、溫度、濕度、雲層覆蓋率、風向和大氣壓。標籤會是「降雨量」。
同時包含特徵和標籤的示例稱為標記示例。
兩個標記範例
相反地，未標示的示例包含特徵，但沒有標籤。建立模型後，模型會根據特徵預測標籤。
兩個未標記的示例
資料集特性
資料集的特徵在於其大小和多樣性。大小代表範例數量。多樣性代表這些範例涵蓋的範圍。優質資料集的資料量龐大且多樣性高。
有些資料集既龐大又多樣。不過，有些資料集雖然龐大，但多樣性較低，有些資料集雖然較小，但多樣性較高。換句話說，大量的資料集並不能保證足夠的多元性，而多元性極高的資料集也無法保證有足夠的範例。
舉例來說，資料集可能包含 100 年的資料，但只限於 7 月份。使用這個資料集來預測 1 月的降雨量，會產生不準確的預測結果。相反地，資料集可能只涵蓋幾年，但包含每個月的資料。由於這個資料集不含足夠的歷年資料，因此可能會產生不準確的預測結果。
隨堂測驗
資料集也可以透過其地圖項目數量來加以描述。舉例來說，某些氣象資料集可能包含數百個地圖項目，從衛星影像到雲層覆蓋率值都有。其他資料集可能只包含三或四個特徵，例如濕度、大氣壓力和溫度。資料集包含更多功能，有助模型發現更多模式，並做出更準確的預測。不過，含有更多特徵的資料集不一定會產生可做出更精確預測的模型，因為某些特徵可能與標籤沒有因果關係。
型號
在監督式學習中，模型是複雜的數字集合，定義從特定輸入特徵模式到特定輸出標籤值的數學關係。模型會透過訓練來發現這些模式。
訓練
監督式模型必須先經過訓練，才能進行預測。為了訓練模型，我們會為模型提供含有標記範例的資料集。模型的目標是找出最佳解決方案，從特徵預測標籤。模型會比較預測值與標籤的實際值，找出最佳解決方案。模型會根據預測值和實際值之間的差異 (稱為損失)，逐步更新解決方案。換句話說，模型會學習特徵和標籤之間的數學關係，以便針對未知資料做出最佳預測。
舉例來說，如果模型預測 1.15 inches 的降雨量，但實際值為 .75 inches，模型會修改解決方案，讓預測值更接近 .75 inches。模型查看資料集中的每個示例 (在某些情況下會查看多次) 後，就會找到一個解決方案，可針對每個示例做出平均最佳預測。
以下示範如何訓練模型：
模型會接收單一標記範例並提供預測結果。
圖 1. 機器學習模型根據標記範例做出預測。
模型會比較預測值與實際值，並更新解決方案。
圖 2. 機器學習模型更新預測值。
模型會對資料集中的每個標記示例重複這個程序。
圖 3. 機器學習模型會針對訓練資料集中的每個標記範例更新預測結果。
如此一來，模型就能逐漸學習特徵和標籤之間的正確關係。這也是為什麼大量且多樣化的資料集可產生更優質模型的原因。模型已看到更多資料，且值的範圍更廣泛，因此可更精確地瞭解特徵和標籤之間的關係。
在訓練期間，機器學習專家可以微調模型用於預測的設定和功能。舉例來說，某些功能的預測能力比其他功能更強。因此，機器學習專家可以選擇模型在訓練期間使用的特徵。舉例來說，假設天氣資料集包含 time_of_day 做為特徵。在這種情況下，機器學習專家可以在訓練期間新增或移除 time_of_day，看看模型是否在有或無 time_of_day 的情況下，做出更準確的預測。
評估中
我們會評估已訓練的模型，判斷模型的學習成效。評估模型時，我們會使用已標示的資料集，但只會將資料集的特徵提供給模型。然後將模型的預測結果與標籤的實際值進行比較。
圖 4. 比較機器學習模型的預測結果與實際值，藉此評估模型。
視模型預測結果而定，我們可能會在實際應用程式中部署模型前，進行更多訓練和評估。
隨堂測驗
推論
一旦滿意評估模型的結果，我們就可以使用模型針對未標註的範例進行預測，也就是所謂的推論。在天氣應用程式範例中，我們會將目前的天氣狀況 (例如溫度、大氣壓力和相對濕度) 提供給模型，讓模型預測降雨量。