监督学习，也称为 分类（Classification）或归纳学习（Inductive Learning），是机器学习的一种重要方法。它通过使用带有已知标签的训练数据集来训练模型，以便该模型能够对新的、未见过的数据进行准确的预测或分类。在监督学习中，每一条数据都包括了输入特征和对应的输出标签，模型的目标就是学习输入与输出之间的映射关系。

监督学习可以分为两大类问题：

分类问题：

这是监督学习中最常见的问题类型，目标是预测离散的目标变量。例如，根据电子邮件的内容将其分类为垃圾邮件或非垃圾邮件。

回归问题：

在回归问题中，目标是预测连续的数值型目标变量。例如，根据房屋的面积、地理位置等信息预测其售价。

监督学习的训练过程通常包括以下几个步骤：

数据准备：

收集并整理带有标签的训练数据。

模型选择：

选择合适的监督学习算法，如决策树、支持向量机、神经网络等。

模型训练：

使用训练数据集调整模型参数，使其能够最小化预测误差。

模型评估：

使用验证数据集评估模型的性能，并根据评估结果进行模型调优。

预测：

使用训练好的模型对新的数据进行预测。

监督学习广泛应用于各个领域，包括图像识别、语音识别、自然语言处理、医疗诊断、股票市场预测等。