Supervised Learning

Tipi di Apprendimento Supervisionato

L'apprendimento supervisionato si divide principalmente in due grandi categorie:

1. Classificazione → L'output è una categoria discreta (es: "spam" o "non spam").

2. Regressione → L'output è un valore numerico continuo (es: prezzo di una casa).

Ma esistono anche altre varianti avanzate.

---

1. Classificazione (Classification)

Scopo: Prevedere una classe o categoria a partire dai dati in input.

Sottocategorie

Tipo	Descrizione	Esempi
Binaria	Solo 2 classi possibili (0/1, Sì/No)	Spam vs Non-Spam, Malato/Sano
Multiclasse	Più di 2 classi (senza ordinamento)	Classificazione di animali (cane, gatto, uccello)
Multietichetta	Un'istanza può appartenere a più classi contemporaneamente	Un'immagine con "mare" e "tramonto"

Algoritmi Comuni

• Logistic Regression

• Decision Trees / Random Forest

• Support Vector Machines (SVM)

• K-Nearest Neighbors (KNN)

• Reti Neurali (Deep Learning)

---

2. Regressione (Regression)

Scopo: Prevedere un valore numerico continuo.

Sottocategorie

Tipo	Descrizione	Esempi
Regressione Lineare	Modella una relazione lineare tra input e output	Prezzo di una casa in base a mq
Regressione Polinomiale	Estende la regressione lineare con relazioni non lineari	Andamento di vendite nel tempo
Regressione Lasso/Ridge	Varianti con regolarizzazione per evitare overfitting	Previsioni economiche con molti dati

Algoritmi Comuni

• Linear Regression

• Polynomial Regression

• Decision Trees / Random Forest

• Support Vector Regression (SVR)

• Gradient Boosting (XGBoost, LightGBM)

---

3. Altri Approcci Ibridi

a) Ranking Supervisionato (Learning to Rank - LTR)

• Scopo: Ordinare elementi in base a una rilevanza (es: risultati di ricerca).

• Algoritmi: LambdaMART, RankNet.

b) Modelli Ensemble (Combinazione di Modelli)

• Scopo: Migliorare le prestazioni combinando più modelli.

• Esempi:

  • Bagging (Random Forest) → Riduce la varianza.

  • Boosting (AdaBoost, XGBoost) → Riduce il bias.

c) Time Series Forecasting (Previsioni Temporali)

• Scopo: Prevedere valori futuri basati su dati storici sequenziali.

• Algoritmi:

  • ARIMA (statistico tradizionale)

  • LSTM (Deep Learning per sequenze)

---

Quando Usare Ciascun Tipo?

Problema	Tipo di Apprendimento
Prevedere una categoria (es: email spam)	Classificazione
Stimare un valore numerico (es: prezzo)	Regressione
Ordinare risultati (es: motori di ricerca)	Learning to Rank
Previsioni basate sul tempo (es: stock market)	Time Series Forecasting