监督学习：有答案的学习

有标准答案的学习

监督学习 = 每条数据都带「标准答案」。数据是一对一对的：输入（房子的面积地段）+ 标签（真实成交价）。机器的任务是学一个函数，让它对输入的预测尽量贴近标签——就像做带答案的练习册：做一题、对答案、改方法，反复几万次。「监督」指的就是：训练时有位「老师」（标签）在旁边批改。

两个真实场景

• 垃圾邮件过滤：几十万封邮件，每封标注「垃圾 / 正常」，学完后新邮件一进来自动分流。
• 医学影像：数万张标注过「有结节 / 无结节」的 CT 片，模型学完能辅助医生做初筛。

监督学习的三要素

1. 数据集：带标签的样本，越多越好，越真实越好。
2. 模型：待学的那一族函数（比如所有直线）。
3. 训练：用数据调整函数参数，让预测逼近标签。

这三要素正是 d2l 原书第 1 章给出的框架，后面从线性网络到注意力机制，都是它们的展开。

常见误区

标签不是天上掉下来的——标注又贵又会出错：一张 CT 要专家看，一小时标不了几张。「有多少人工，就有多少智能」，说的就是标注的成本。

练一练：要教机器分辨「猫和狗的照片」，列出你需要准备的数据，并想想标签从哪来。