监督学习的输入、目标与误差

监督学习使用带目标的样本估计从输入到输出的关系。输入可以是影像、文本或结构化记录，目标可以是类别、数值或序列。训练的核心不是记住样本，而是在明确条件下对未见输入作出可接受预测。

标签把任务变成学习信号

每个训练样本通常包含输入 (x) 和目标 (y)。分类预测离散类别，回归预测连续数值，但两者都依赖标签定义。标签若来自不同规则、不同时间或不同标注者，模型面对的目标就不一致。

标签还可能只覆盖被观察到的结果。贷款未批准者没有后续还款记录，未检查设备没有故障结论。监督学习不能自动补齐这种选择机制，数据范围必须进入任务说明。

模型族限制可学习关系

线性模型假设输出可由特征线性组合表达，树模型用分裂形成分段区域，神经网络通过层次变换形成非线性函数。模型越灵活，拟合训练数据的能力通常越强，也越需要数据和约束控制泛化。

选择模型不应只比较最高分。推理延迟、可解释要求、缺失值行为、样本规模和维护能力都属于使用条件。简单基线有助于判断复杂方法是否真正增加了任务价值。

损失函数规定怎样惩罚误差

训练算法通过减小损失调整参数。平方误差会较强惩罚大偏差，对异常值敏感；分类对数损失关注目标类别的预测概率。损失函数与业务代价不一定一致，训练后仍要使用任务指标和阈值评估。

类别不平衡时，总体准确率可能被多数类主导。重加权或重采样会改变训练目标，需要在保持真实分布的验证集上检查后果。不能只因为少数类指标上升就忽略误报成本。

泛化依赖数据条件

训练误差低只说明模型适合已见样本。独立验证和测试用于估计未见数据上的表现，前提是划分方式模拟部署环境。时间、用户、地点或文档来源相关的数据应分组划分，避免近重复样本泄漏。

部署分布发生变化后，原评价不再充分。输入范围、标签比例、错误类型和校准需要持续监测，并设置重新评价或停止使用的条件。

预测进入系统后仍需决策规则

分类器给出分数或概率，业务动作通常还需要阈值、规则与人工复核。相同模型在筛查和自动拒绝场景中可能采用不同阈值，因为漏报和误报后果不同。模型输出的语义、版本和适用范围应随结果一起传递。

scikit-learn 用户指南整理了监督学习模型族和实践行为，《Deep Learning》从统计学习与优化解释训练。二者都不能替代具体任务的数据审计和风险判断。

上线后的真实反馈还可能被模型决策本身改变：只有被推荐的内容获得点击，只有被调查的事件得到确认。新标签若直接回流训练集，模型会不断强化既有选择。数据采集策略、反馈延迟和人工复核范围因此也要版本化，避免把决策结果误当成未经干预的现实分布。

资料依据

• scikit-learn Project：User Guide，https://scikit-learn.org/stable/user_guide.html
• Ian Goodfellow、Yoshua Bengio、Aaron Courville：《Deep Learning》在线版，https://www.deeplearningbook.org/