Ένα φίλτρο ανεπιθύμητης αλληλογραφίας επισημαίνει ένα email ως ανεπιθύμητο επειδή έχει δει χιλιάδες μηνύματα που έχουν ήδη επισημανθεί ως "ανεπιθύμητα" ή "όχι ανεπιθύμητα". Αυτή είναι η επιβλεπόμενη μάθηση σε μικρογραφία: ένα μοντέλο μαθαίνει μια αντιστοίχιση από εισόδους σε εξόδους χρησιμοποιώντας παραδείγματα όπου η σωστή απάντηση είναι γνωστή. Κάθε ζεύγος εκπαίδευσης φέρει μια ετικέτα και ο αλγόριθμος προσαρμόζει τις εσωτερικές του παραμέτρους μέχρι οι προβλέψεις του να ταιριάζουν με αυτές τις ετικέτες αρκετά στενά ώστε να γενικεύονται σε νέα δεδομένα.

Η προσέγγιση χωρίζεται σε δύο ευρείες οικογένειες. Η ταξινόμηση προβλέπει μια κατηγορία, όπως το αν ένας όγκος είναι καλοήθης ή κακοήθης. Η παλινδρόμηση προβλέπει έναν αριθμό, όπως η αυριανή θερμοκρασία ή η τιμή μιας κατοικίας. Και οι δύο βασίζονται στον ίδιο βασικό βρόχο: κάντε μια πρόβλεψη, μετρήστε το σφάλμα σε σχέση με την ετικέτα και ωθήστε τα βάρη για να μειώσετε αυτό το σφάλμα.

Κοινοί αλγόριθμοι

• Γραμμική και λογιστική παλινδρόμηση για απλές, ερμηνεύσιμες γραμμές βάσης
• Δέντρα αποφάσεων και τυχαία δάση για δεδομένα σε μορφή πίνακα
• Υποστήριξη διανυσματικών μηχανών για ταξινόμηση βάσει περιθωρίου
• Νευρωνικά δίκτυα για εικόνες, ομιλία και γλώσσα

Οι ετικέτες κοστίζουν χρήματα και χρόνο. Ένας ακτινολόγος που σχολιάζει 10.000 σαρώσεις είναι ακριβός. Ένα πλήθος εργαζομένων που ασχολείται με την επισήμανση είναι αργό και θορυβώδες. Αυτό το κόστος είναι ο κύριος λόγος που οι μη επιβλεπόμενες και οι ημι-επιβλεπόμενες μέθοδοι προσελκύουν τόσο μεγάλη προσοχή. Όταν όμως οι καθαρές ετικέτες υπάρχουν σε αφθονία, η επιβλεπόμενη μάθηση παραμένει το πιο αξιόπιστο εργαλείο.