يُصنّف مُرشّح البريد العشوائي رسالةً ما على أنها غير مرغوب فيها لأنه شاهد آلاف الرسائل التي سبق تصنيفها على أنها "بريد عشوائي" أو "ليست بريدًا عشوائيًا". هذا مثال مصغر على التعلّم الخاضع للإشراف: يتعلم النموذج ربط المدخلات بالمخرجات باستخدام أمثلة معروفة الإجابة. يحمل كل زوج تدريبي تصنيفًا، ويُعدّل الخوارزمية معاييرها الداخلية حتى تتطابق تنبؤاتها مع تلك التصنيفات بدقة كافية لتعميمها على بيانات جديدة.

ينقسم هذا النهج إلى فئتين رئيسيتين. تتنبأ فئة التصنيف بنوع الورم، كأن يكون حميدًا أو خبيثًا. أما فئة الانحدار فتتنبأ بقيمة عددية، كدرجة حرارة الغد أو سعر منزل. وتعتمد كلتا الفئتين على نفس الحلقة الأساسية: التنبؤ، وقياس الخطأ مقارنةً بالتصنيف، وتعديل الأوزان لتقليل هذا الخطأ.

الخوارزميات الشائعة

• الانحدار الخطي واللوجستي لخطوط أساسية بسيطة وقابلة للتفسير
• أشجار القرار والغابات العشوائية للبيانات الجدولية
• آلات المتجهات الداعمة للتصنيف القائم على الهوامش
• الشبكات العصبية للصور والكلام واللغة

تتطلب عملية تصنيف الصور وقتًا ومالًا. فتكلفة أخصائي الأشعة الذي يُصنّف 10,000 صورة ضوئية باهظة، كما أن قيام فريق من العاملين بتصنيف المشاعر عملية بطيئة وغير دقيقة. هذه التكلفة هي السبب الرئيسي وراء الاهتمام الكبير الذي تحظى به أساليب التعلم غير الخاضع للإشراف وشبه الخاضع للإشراف. مع ذلك، عندما تتوفر بيانات تصنيف دقيقة بكثرة، يظل التعلم الخاضع للإشراف الأداة الأكثر موثوقية.