Definíció
A felügyelt tanulás (supervised learning) olyan gépi tanulási paradigma, ahol a modell címkézett adatpárokból tanul. Minden bemeneti példához tartozik egy ismert kimenet, amelyet a modell a predikció közelítésére használ.
A tanítás célja egy függvény megtalálása, amely a bemeneti térből a kimeneti térben értelmes megfeleltetést ad: f(x) = y, ahol x a bemeneti vektor, y a célérték.
Fő típusok
A felügyelt tanulás két fő családra oszlik:
- Regresszió — folytonos numerikus érték becslése (pl. ár, hőmérséklet, időtartam).
- Klasszifikáció — diszkrét kategória hozzárendelése (pl. spam/nem spam, beteg/egészséges).
A kimenet típusa határozza meg a megfelelő algoritmus és metrika kiválasztását.
Tanítási folyamat
Tipikus lépések:
- Adatgyűjtés és címkézés ellenőrzése.
- Train/validation/test felosztás.
- Feature engineering és skálázás.
- Modell tanítása és hiperparaméter finomhangolása.
- Teljesítmény értékelése a validációs halmazon.
Gyakorlati alkalmazások
Magyarországon a felügyelt tanulás gyakori felhasználási területei közé tartozik a pénzügyi kockázatbecslés, az ipari minőségellenőrzés, az egészségügyi triázs támogatása és a marketing attribúciós modellek fejlesztése.
Elemzési megjegyzések
A felügyelt modellek teljesítménye erősen függ a címkék minőségétől és az adathalmaz reprezentativitásától. A referencia leírások általános elvekre épülnek; konkrét üzleti döntés előtt validáció szükséges a saját adatokon.
