教師あり学習で使用されるデータにはラベルが付けられます。つまり、入力（特徴と呼ばれる）と正しい出力（ラベル）の両方のサンプルが含まれることを意味します。アルゴリズムは、これらのトレーニング ペアの大規模なデータセットを分析し、新しいデータに対する予測を求められたときに望ましい出力値を推測します。

たとえば、木の写真を識別するようにモデルに学習させるとします。樹木の種類と各種類の名前のさまざまな例を含むラベル付きデータセットを用意します。ラベル付けされた出力に基づいて、各ツリーに属する特性のセットをアルゴリズムに定義させようとします。次に、モデルに木の画像を表示し、それがどの種かを推測することでモデルをテストします。モデルから正しくない回答が得られた場合は、モデルを継続的にトレーニングし、より多くの例でパラメータを調整することで、モデルの精度を高め、エラーを最小限に抑えることができます。

モデルのトレーニングとテストが完了したら、そのモデルを使用して、学習した以前の知識に基づいて未知のデータに対して予測を行うことができます。

ML の教師あり学習は、一般に分類と回帰の 2 つのカテゴリに分けられます。

分類アルゴリズムは、入力データに基づいてカテゴリラベルまたは出力変数を予測することで、データをグループ化するために使用されます。出力変数がカテゴリの場合、つまり 2 つ以上のクラスがある場合、分類が使用されます。

使用されている分類アルゴリズムの最も一般的な例の 1 つは、メールの受信トレイにある迷惑メールフィルタです。ここでは、迷惑メールと正当なメールの両方のラベル付きサンプルを含むデータセットを使用して、メールが迷惑メールかどうかを予測するようにトレーニングされた教師あり学習モデルを使用します。アルゴリズムにより、送信者、件名、本文など、各メールに関する情報が抽出されます。次に、これらの機能と対応する出力ラベルを使用してパターンを学習し、メールが本物か迷惑メールかを示すスコアを割り当てます。

回帰アルゴリズムは、実数または連続値を予測するために使用され、2 つ以上の変数間の関係を検出します。

回帰タスクの一般的な例としては、職務経験に基づく給与の予測が挙げられます。たとえば、教師あり学習のアルゴリズムには、職歴（勤続年数、業界や分野、場所など）に関連する入力と、対応する割り当てられた給与額が供給されます。モデルをトレーニングした後、そのモデルを使用して実務経験に基づく平均給与を予測できます。

教師あり学習モデルは、さまざまな問題に対応するさまざまなビジネス ユースケースに使用できます。教師あり学習の一般的な例は次のとおりです。

• リスク評価: 教師あり ML モデルにより、銀行やその他の金融サービス企業は、顧客が債務不履行になる可能性があるかどうかを判断し、ポートフォリオのリスクを最小限に抑えることができます。

• 画像分類: 教師あり機械学習アルゴリズムは、多くの場合、画像や動画内のオブジェクトを分類するようにトレーニングされます。たとえば、ソーシャル メディア プラットフォームでは、アルゴリズムを使用して画像に写っている人物を認識し、自動的にタグ付けできます。

• 不正行為の検出: 教師あり学習は多くの不正行為検出システムを支えており、企業は不正行為を認識できます。これらのモデルは、不正行為と非不正行為の両方を含むデータセットでトレーニングされているため、疑わしいアクティビティをリアルタイムでフラグするために使用できます。

レコメンデーション システム: オンライン プラットフォームやストリーミング サービスで教師あり学習アルゴリズムを使用して、過去の顧客の行動や購入履歴に基づいたレコメンデーション機能を強化します。このモデルは、ユーザーの行動に関する重要な情報を抽出して、類似した商品やコンテンツを提案します。

教師あり学習と教師なし学習の違いを理解するうえでの主な違いは、モデルのトレーニングに使用される入力データの種類です。教師あり学習では、ラベル付けされたトレーニング データセットを使用して、事前に定義された具体的な目標をモデルに学習させます。  

これに対し、教師なし学習はラベルなしデータを使用し、明示的な指示がなくても自律的にデータの構造を学習しようとします。