监督式学习是由一组人工标记的数据推测出假设函数的学习方法。
目标变量是连续的(认为价格是连续的)，学习问题就是回归问题；如果目标变量是离散的，学习问题就称为分类问题。
与监督式学习对应的非监督式学习，则是在一群未标记的数据上做数据处理（可以理解为只有x值，没有y值）
如何区分监督学习(supervised learning)和非监督学习(unsupervised learning)
机器学习的常用方法中，我们知道一般分为监督学习和非监督学习。（当然还有半监督）
l 监督学习：监督学习，简单来说就是给定一定的训练样本（这里一定要注意，这个样本是既有数据，也有数据相对应的结果），利用这个样本进行训练得到一个模型（可以说就是一个函数），然后利用这个模型，将所有的输入映射为相应的输出，之后对输出进行简单的判断从而达到了分类（或者说回归）的问题。简单做一个区分，分类就是离散的数据，回归就是连续的数据。
l 非监督学习：同样，给了样本，但是这个样本是只有数据，但是没有其对应的结果，要求直接对数据进行分析建模。
比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能 把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督 学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以 开始工作了[2]
对于问题，我可以这样跟大家说。买房的时候，给了房屋面积以及其对应的价格，进行分析，这个就叫做监督学习；但是给了面积，没有给价格，就叫做非监督学习。
监督，意味着给了一个标准作为“监督”（或者理解为限制）。就是说建模之后是有一个标准用来衡量你的对与错；非监督就是没有这个标准，对数据进行聚类之后，并没有一个标准进行对其的衡量。