Aprendizado Supervisionado

No aprendizado supervisionado, nós sabemos como os resultados devem se parecer, pois já temos dados e temos ideia da relação entre o input e o output.

Representação do Modelo

Para estabelecer a notação, usaremos x^i para denotar as variáveis de entrada (as características da entrada) e y^i para denotar a saída (alvo) que estamos tentando prever. Um par (x^i, y^i) é chamado de exemplo de treinamento e a lista com m exemplos de treinamento (nosso conjunto de dados inicial) é chamado de conjunto de treinamento. Usaremos X para denotar nosso espaço de valores de entrada e Y para denotar nosso espaço de valores de saída De maneira mais formal, o que queremos é, com base num conjunto de dados, encontrar uma função h: X → Y tal que h(x) é um bom "preditor" para o valor correspondente de y. Chamamos essa função h de hipótese.