Zespół tworzy model uczenia maszynowego do przewidywania ryzyka chorób serca. Zbiór danych zawiera cechy wejściowe (wiek, cholesterol, ciśnienie krwi, palenie tytoniu, ćwiczenia fizyczne) oraz etykietę wskazującą, czy każdy pacjent ma chorobę serca. Które podejście ML jest odpowiednie?

Uczenie nadzorowane jest odpowiednie, ponieważ zbiór danych zawiera zarówno cechy wejściowe (wiek, cholesterol, ciśnienie krwi, palenie tytoniu, ćwiczenia fizyczne), jak i odpowiadające im etykiety wyjściowe (obecność/brak choroby serca). Model uczy się mapowania między danymi wejściowymi a poprawnymi etykietami, co jest definicją uczenia nadzorowanego. Uczenie nienadzorowane byłoby używane, gdyby brakowało etykiet, np. do grupowania pacjentów. Uczenie ze wzmocnieniem dotyczy agentów podejmujących decyzje w środowisku, a uczenie półnadzorowane łączy małą ilość danych oznakowanych z dużą ilością danych nieoznakowanych, co nie jest głównym scenariuszem w tym przypadku.