Обучение под наблюдением описывает сценарий, в котором опыт становится обучающим фактором, содержащим важную информацию (например, метки "больной/здоровый" для обнаружения болезней растений), которая отсутствует в невидимых "тестовых примерах", к которым будет применяться полученный опыт. В этом сценарии приобретенный опыт направлен на предсказание недостающей информации для тестовых данных. В этом смысле окружающую среду можно рассматривать как учителя, который контролирует ученика, предоставляя ему дополнительную информацию в виде меток. В этой книге мы рассмотрим модели контролируемого машинного обучения, с помощью которых вы поймете теоретические основы, некоторые описания прикладных областей, а затем реализуете каждую из них в лаборатории Jupyter с помощью библиотек pandas и scikit-learn для Python. Сначала вы начнете с логистической регрессии (бинарная классификация), многоклассовой классификации с помощью логистической регрессии, деревьев решений, машин векторов поддержки - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation и, нако&