🐱
🤖
📚
🧠
🤖

监督学习

像妈妈教你认识世界一样，AI 也可以从有标签的数据中学习！

🤔 探索问题：如果给 AI 看 100 张猫的照片，它能学会认猫吗？

👶 你是怎么学习的？

🕐

认识钟表

你听到滴答滴答的声音，妈妈指着钟表说："宝贝，这是钟表"

🍎

认识苹果

妈妈拿起红红的果子，喂给你说："红红苹果甜又甜"

🐱

认识小猫

毛茸茸的小家伙喵喵叫，妈妈说："这是小猫咪，不用怕"

💡 这种有人在旁边不断教你的学习方式，就对应着机器学习中的 "监督学习"！

🔑 监督学习的核心

👩

有一位"老师"

提供带有正确答案的训练数据

🏷️

数据有"标签"

每个例子都告诉 AI 正确答案是什么

📝

有"考试"检验

用测试数据验证 AI 是否真的学会了

🎯

目标是"泛化"

能对没见过的新数据做出正确判断

🔄 人类学习 vs 机器学习

👶 人类宝宝学习

1️⃣妈妈展示苹果（输入数据）
↓
2️⃣妈妈说"这是苹果"（标签）
↓
3️⃣宝宝记住特征（训练）
↓
4️⃣看到新苹果能认出（预测）

🤖 AI 机器学习

1️⃣输入特征数据（特征向量）
↓
2️⃣对应正确答案（标签 Label）
↓
3️⃣算法优化参数（模型训练）
↓
4️⃣对新数据分类（模型预测）

🤖 AI 学习认猫的过程

点击下方步骤，逐步了解 AI 是如何从数据中学习的

1

收集数据

获取动物图片

2

打标签

标注猫/非猫

3

训练模型

AI 学习规律

4

测试验证

检验学习效果

📸 第一步：收集动物数据

人类教师收集了各种动物的数据，包括猫和非猫动物，并记录了它们的特征。

🐱

家猫

胎生·食肉·有毛

🦅

老鹰

卵生·食肉·无毛

🐰

兔子

胎生·食草·有毛

🐦

小鸟

卵生·杂食·有毛

💡 关键特征：生殖方式、食物种类、是否有毛、是否是常见宠物

🔬 分类模拟器

选择不同的特征组合，观察 AI 如何对动物进行分类。试试看：哪些特征最有效？

🎛️ 选择分类特征

🥚 生殖方式

胎生 / 卵生

🍖 食物种类

食肉 / 食草 / 杂食

🐾 是否有毛

有毛 / 无毛

🏠 是否宠物

是 / 否

💡 提示：尝试只选择 1-2 个特征，看看准确率会如何变化！

🐾 测试动物

📊 分类结果

点击左侧动物查看分类结果

当前特征准确率

模型准确率 75%

✅ 4个特征全选：准确率最高！

📈 特征空间可视化

在二维特征空间中，观察猫和非猫的分布。点击画布添加新的测试点！

X轴：体型大小 | Y轴：食肉程度 | 🔴猫 🔵非猫

🎯 点击画布添加新动物

在左侧散点图上点击，AI 将判断该点是猫还是非猫
猫（胎生·食肉·有毛·宠物）
非猫（其他动物）
你添加的测试点

💡 观察：猫的数据点聚集在右上角（体型中等、食肉性强），非猫分布更分散。

🎮 练习一：机器人分类

下面有三个机器人，请将分类特征与分类结果进行连线匹配！

🤖

机器人 A

有脚 · 有耳朵 · 红色

🦾

机器人 B

无脚 · 无耳朵 · 蓝色

🦿

机器人 C

有脚 · 无耳朵 · 绿色

分类特征

🦶 有脚
👂 有耳朵
🎨 颜色是绿色

分类结果

A 和 C 一组，B 单独一组
A 单独一组，B 和 C 一组
C 单独一组，A 和 B 一组

🃏 练习二：扑克牌分类

将下面 6 张扑克牌分为两类，选择你的分类特征，然后拖动牌到对应组！

选择分类特征：

🔴 A 组

🔵 B 组

🧠 练习三：知识检测

测试你对监督学习的理解！

📊 监督学习流程图

1

收集带标签的训练数据

每个样本都有正确答案（标签）

↓
2

选择算法，训练模型

AI 从数据中学习规律和模式

↓
3

用测试数据验证效果

检验模型是否真正学会了

↓
4

部署模型，预测新数据

对未见过的数据做出判断

🌍 监督学习的应用

📧

垃圾邮件过滤

学习区分正常邮件和垃圾邮件

🏥

医学图像诊断

识别 X 光片中的病变区域

🗣️

语音识别

将语音转换为文字

🚗

自动驾驶

识别道路、行人、交通标志

💳

信用评分

预测贷款违约风险

🔑 核心概念总结

🏷️

标签 (Label)

训练数据的正确答案，告诉 AI 每个样本属于哪个类别

例：猫 / 非猫

📐

特征 (Feature)

描述样本的属性，AI 通过特征来区分不同类别

例：胎生、食肉、有毛

🧮

模型 (Model)

AI 学习到的规律，可以对新数据做出预测

例：决策树、感知器

📚

训练集 (Training Set)

用于训练模型的数据，通常占总数据的 70-80%

📝

测试集 (Test Set)

用于验证模型效果的数据，通常占 20-30%

🎯

准确率 (Accuracy)

模型预测正确的比例，衡量学习效果的指标

正确数 / 总数 × 100%

📈 特征数量与准确率关系

探索：使用不同数量的特征，模型准确率如何变化？

一般来说，选择合适的特征比选择更多特征更重要！

🤖 监督学习探索式学习 | 像妈妈教你认识世界一样，AI 也在不断学习