一。概述

有监督的学习是一种机器学习方法，其中训练数据包括输入数据和对应的标签或输出结果。在有监督学习中，模型根据输入数据和标签之间的关系进行学习，从而能够预测未标记数据的标签或输出结果。常见的有监督学习方法包括：

1. 分类（Classification）：将输入数据映射到预定义的类别标签中。例如，将电子邮件分类为垃圾邮件或非垃圾邮件。

2. 回归（Regression）：预测连续数值输出，如房屋价格或股票价格。

3. 目标检测（Object Detection）：在图像或视频中识别特定物体的位置和类别。

4. 序列标注（Sequence Labeling）：在序列数据中标记每个元素，如命名实体识别或语音识别。

5. 推荐系统（Recommendation System）：根据用户行为和偏好向用户推荐个性化的内容或产品。

6. 强化学习（Reinforcement Learning）：通过与环境的交互学习最优的行为策略，以最大化累积奖励。

这些是有监督学习中常见的应用领域，不同的问题可能需要不同的有监督学习方法。

二。内容

其中包含的方法有：

普通的最小二乘

非阴性最小二乘

普通最小二乘的复杂性

山脊回归和分类

套索

多任务套索

弹性网

多任务弹性网

最小角度回归

拉尔斯·拉索（Lars Lasso）

正交匹配追求（OMP）

贝叶斯回归

逻辑回归

广义线性模型

随机梯度下降-SGD

感知者

被动积极算法

鲁棒性回归：离群值和建模错误

分位数回归

多项式回归：扩展具有基本函数的线性模型

三。关系分析：

这里给出对应各个算法优缺场景分析，供大家参考，限于编辑器的功能，这里给出如下的PDF文档

ITPub博客

数据分析线性模型概述