Een team bouwt een machine learning-model om het risico op hartziekten te voorspellen. De dataset bevat invoerkenmerken (leeftijd, cholesterol, bloeddruk, roken, lichaamsbeweging) en een label dat aangeeft of elke patiënt hartziekten heeft. Welke ML-aanpak is geschikt?

Supervised learning is de juiste aanpak omdat de dataset zowel invoerkenmerken (leeftijd, cholesterol, bloeddruk, roken, lichaamsbeweging) als een bekend uitvoerlabel (aanwezigheid van hartziekten) bevat. Het model leert van deze gelabelde gegevens om patronen te herkennen en toekomstige gevallen te voorspellen. Unsupervised learning is ongeschikt omdat het wordt gebruikt voor datasets zonder bekende labels, waar het model zelf structuren of clusters moet vinden. Reinforcement learning is bedoeld voor situaties waarin een agent leert door interactie met een omgeving en beloningen ontvangt, wat hier niet het geval is. Semi-supervised learning wordt gebruikt wanneer slechts een deel van de gegevens gelabeld is, wat afwijkt van de beschrijving van deze dataset.