監督式學習的三步驟：

1. 準備訓練資料（含標籤）
例如：（圖片 → 蘋果）、（圖片 → 橘子）

2. 讓 AI 找出特徵
像是顏色、形狀、紋路……
AI 在分類的方式，其實與人類做分類的流程完全一樣。

3. 建立模型（Model）
之後看到新圖片，AI 會用這些規律做判斷。

決策樹非常像「選項組合」。它會一路「問問題」，直到得到答案。

爺爺想把芒果分成 A、B、C 級，要看哪些特徵？

• 重量是否 ≥ 500g？
• 顏色：橘紅或橘黃？
• 是否有斑點？

演算法會由資料長出一顆決策樹，假設樹長成下圖所示。

透過這棵決策樹，可以分類不同芒果，例如:

• 有斑點 → C級
• 無斑點 + 橘紅 + ≥ 500g → A級

有一堆文具（直尺、原子筆、修正帶、橡皮擦）數據，包括：

• 長度（cm）
• 重量（g）

畫出它的散點圖。

光看重量並沒辦法有效分類，但此例僅「長度」可以把四種文具切得非常乾淨。 故僅以長度作為分界線轉成決策樹就能完成文具分類！