下列属于监督学习算法的有（ ）。A. 线性回归B. 随机森林C. K-MeansD. 支持向量机（SVM）

本题考查监督学习算法的相关知识。解题思路是明确监督学习的定义，即有监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也就是需要有输入数据和对应的标签。然后依次分析每个选项是否属于监督学习算法。

• 选项A：线性回归
  线性回归是一种用于建立自变量和因变量之间线性关系的统计模型。在训练过程中，需要有一组已知的输入数据（自变量）和对应的输出数据（因变量，即标签），通过最小化预测值和真实值之间的误差来确定模型的参数。例如，给定一组房屋面积和对应的房价数据，通过线性回归可以建立房屋面积和房价之间的线性关系，从而预测其他房屋的价格。所以线性回归属于监督学习算法。
• 选项B：随机森林
  随机森林是一种集成学习方法，它由多个决策树组成。在训练随机森林时，需要有带标签的训练数据，每个样本都有对应的类别标签。随机森林通过对多个决策树的结果进行综合，来提高分类或回归的准确性。例如，在图像分类任务中，给定一组带有类别标签的图像数据，随机森林可以学习到不同图像特征与类别之间的关系，从而对新的图像进行分类。所以随机森林属于监督学习算法。
• 选项C：K - Means
  K - Means是一种无监督学习算法，它的目的是将数据集中的样本划分为K个不同的簇，使得同一簇内的样本相似度较高，不同簇内的样本相似度较低。在K - Means算法中，不需要样本的标签信息，只需要样本的特征数据。例如，在对一群人的身高和体重数据进行聚类时，不需要知道每个人的具体身份或其他标签信息，K - Means可以自动将这些人划分为不同的簇。所以K - Means不属于监督学习算法。
• 选项D：支持向量机（SVM）
  支持向量机是一种用于分类和回归分析的监督学习算法。在分类任务中，SVM的目标是找到一个最优的超平面，使得不同类别的样本能够被最大程度地分开。在训练过程中，需要有带标签的训练数据，每个样本都有对应的类别标签。例如，在二分类问题中，给定一组带有正类和负类标签的样本数据，SVM可以学习到一个最优的超平面，从而对新的样本进行分类。所以支持向量机（SVM）属于监督学习算法。