標籤（label）

標籤，是貼在一個例子上的正確答案——也就是你想讓機器學會去預測的那個東西。如果你給程式看成千上萬張照片，並告訴它哪些裡頭有貓，那麼釘在每張照片上的「貓」或「無貓」就是它的標籤。它是記憶卡片的背面：輸入是問題，標籤是機器學習時用來對照、給自己打分的答案。

標籤有不同的形態。它可以是一個類別，比如「垃圾郵件」或「非垃圾郵件」（用於分類）；也可以是一個數值，比如明天的氣溫（用於迴歸）。標籤從哪兒來，關係極大。大多數標籤是人一個一個標出來的——一項又慢又費錢的活，叫資料標註。也有些標籤由世界本身免費送上門來：顧客究竟點沒點那個連結、病人有沒有康復。這些天然的結果，往往是所有標籤中最可信的。

誠實地說，模型的上限就是標籤的品質。如果標籤本身錯了、前後不一致，或帶著偏見，機器就會忠實地把這些錯誤學進去——垃圾進，垃圾出。對同一個例子，兩個人甚至可能對正確標籤爭執不下（那條評論是正面的，還是只是在反諷？），而這種與生俱來的分歧，給任何模型所能達到的準確度都設了一個天花板。許多任務根本沒有標籤——這正是非監督式學習所要應對的局面。