Un team sta costruendo un modello di machine learning per prevedere il rischio di malattie cardiache. Il dataset include feature di input (età, colesterolo, pressione sanguigna, fumo, esercizio fisico) e un'etichetta che indica se ogni paziente ha una malattia cardiaca. Quale approccio di ML è appropriato?

L'apprendimento supervisionato è l'approccio corretto perché il dataset include sia le feature di input (età, colesterolo, ecc.) sia un'etichetta di output (presenza/assenza di malattia cardiaca) per ogni esempio. Questo significa che il modello può imparare una mappatura dalle feature all'etichetta. L'obiettivo è prevedere un'etichetta discreta (malattia presente o assente), rendendolo un problema di classificazione supervisionata. L'apprendimento non supervisionato sarebbe usato se non ci fossero etichette e l'obiettivo fosse trovare pattern o strutture nascoste nei dati (es. clustering). L'apprendimento per rinforzo è per agenti che imparano a prendere decisioni in un ambiente dinamico attraverso ricompense, non applicabile qui. L'apprendimento semi-supervisionato è usato quando solo una piccola parte dei dati è etichettata, ma in questo scenario tutte le etichette sono disponibili.