7. 教師あり学習

教師あり学習では、正解ラベル（教師データ）と特徴量のペアを用いてモデルを学習させます。

分類問題は、入力データを離散的なクラスに分類するタスクです。

回帰問題は、数値などの連続値を予測するタスクです。

線形回帰は、特徴量と目的変数の線形な関係を前提とする回帰モデルです。

ロジスティック回帰は、確率を用いてクラス分類を行うモデルです。

サポートベクターマシン（SVM）は、マージン最大化によって分類境界を決定します。

アンサンブル学習とは、複数のモデルを組み合わせて精度を高める手法です。

バギングは、データを複数のサブセットに分けてモデルを並列に学習させるアンサンブル手法です。

ブースティングは、弱いモデルを逐次的に組み合わせて精度を高める手法です。

ランダムフォレストは、複数の決定木をバギングで組み合わせたアンサンブルモデルです。