supervised learning

supervised learning (tsz. supervised learnings)

1. (informatika, mesterséges intelligencia) felügyelt tanulás

A supervised learning, vagyis felügyelt tanulás a gépi tanulás egyik legismertebb és legszélesebb körben alkalmazott módszere. Az algoritmus tanulási folyamata során már ismert kimenetű adatokat kap, és célja az, hogy megtanulja az input és output közötti összefüggést, majd ezt az ismeretet új, ismeretlen adatokra alkalmazza.

Ez a módszer kulcsfontosságú olyan alkalmazásokban, mint:

• képfelismerés,
• spamek kiszűrése az e-mailekből,
• betegségek előrejelzése orvosi adatok alapján,
• árfolyam-előrejelzés,
• automatikus fordítás.

A felügyelt tanulásnál egy tanító adathalmazt (training set) használunk, amelyben minden adatponthoz tartozik egy címke vagy célérték (output label). Az algoritmus ezeken tanul, és a célja egy olyan függvény megtanulása, amely a bemenetből előállítja a helyes kimenetet.

• Bemenet: „Ez a termék szuper volt!”
• Címke: „pozitív vélemény”
• A modell megtanulja, hogy az olyan szavak, mint „szuper”, „kiváló”, „nagyszerű” → pozitív kimenetet adjanak.

Olyan problémák, ahol a célváltozó diszkrét (véges számú kategória).

• Példák:
  • E-mail spam vagy nem spam?
  • Ez a kép macska vagy kutya?
  • A betegségtünetek alapján: influenza, COVID vagy egészséges?

Olyan problémák, ahol a célváltozó folyamatos érték.

• Példák:
  • Hőmérséklet előrejelzése holnapra
  • Egy ingatlan piaci ára
  • Egy autó fogyasztása a sebesség függvényében

1. Adatgyűjtés – Szükség van olyan adathalmazra, ahol a bemenethez ismert a kimenet is.
2. Előfeldolgozás – Hiányzó adatok kezelése, normalizálás, kategóriák kódolása.
3. Tanítókészlet és tesztkészlet szétválasztása – Az adatok pl. 80%-a tanít, 20%-a tesztel.
4. Modelltanítás – Az algoritmus a tanítókészleten megtanulja az X → y összefüggést.
5. Értékelés – A modellt leteszteljük új adatokkal, és mérjük a teljesítményét.
6. Finomhangolás – Paraméterek optimalizálása (pl. tanulási ráta, mélység).
7. Alkalmazás – A végső modell éles adatokon is futtatható.

Klasszifikációnál:

• Pontosság (Accuracy): helyes jóslatok aránya
• Precision, Recall, F1-score: részletesebben mutatják, hogyan teljesít a modell
• Konfúziós mátrix: vizuális segítség az eredmények értelmezéséhez

Regressziónál:

• MSE (Mean Squared Error): az eltérések négyzetének átlaga
• RMSE, MAE, R² score: különféle hibamérők

✅ Jól érthető, sok valós alkalmazásra alkalmazható ✅ Megbízható, ha jó minőségű, címkézett adatok állnak rendelkezésre ✅ Könnyen értelmezhető modellek is készíthetők (pl. döntési fa)

❌ Szükség van címkézett adatokra – ezek előállítása drága lehet ❌ Nehezebb alkalmazni ott, ahol az osztályozás határai nem jól definiáltak ❌ Könnyen túlilleszthet (overfitting), ha nem figyelünk a generalizálásra

• Egészségügy: diagnosztikai előrejelzés (pl. rák korai felismerése)
• Pénzügy: hitelképesség becslése, árfolyam előrejelzés
• Marketing: ügyféllemorzsolódás előrejelzése
• Képfeldolgozás: arcfelismerés, objektumdetekció
• Természetes nyelv feldolgozás: szentimentelemzés, szövegfordítás

A felügyelt tanulás az egyik legfontosabb gépi tanulási módszer, amely jól alkalmazható jó minőségű címkézett adatok esetén. Használatával megbízható előrejelzéseket készíthetünk a múltbeli adatok alapján. Bár adatigényes és előfeldolgozást igényel, az egyszerűségéből fakadó értelmezhetőség és széles körű alkalmazhatóság miatt kiemelkedő jelentőségű.

• supervised learning - Szótár.net (en-hu)
• supervised learning - Sztaki (en-hu)
• supervised learning - Merriam–Webster
• supervised learning - Cambridge
• supervised learning - WordNet
• supervised learning - Яндекс (en-ru)
• supervised learning - Google (en-hu)
• supervised learning - Wikidata
• supervised learning - Wikipédia (angol)