跳转至

P1-8.1 监督学习：输入与标签

Section ID: P1-8.1 Version: v2026.07.20

第 7 章处理了 search space、computational limit 和 heuristic。现在要转入学习类型。第一个基准点是 supervised learning。

这一节的核心不是算法，而是 label。理解监督学习时，首先必须问清：标签到底指向什么。如果只是含糊地把标签理解成“标准答案”，就很容易忽略更重要的问题，也就是人一开始究竟按什么标准把信息贴在数据上。

在中文语境里，把 label 先理解成更接近“识别标记”通常更安全。它不是在给对象写一段完整定义，而是给对象贴上一个能区分它的标记。labeling 则是给数据贴这种标记的过程。AWS 和 IBM 对数据标注的说明，也都把它解释成：识别原始数据并为其附加或分配标签。这个标记告诉模型应该遵循什么标准，但它本身并不自动等于绝对真理。

所以，这一节的核心问题是：

标签到底在指什么，
模型又是怎样试图去跟随这个标签标准的？

监督学习使用的是同时包含 input 和 label 的例子。模型会被训练成：当新输入到来时，输出也尽量符合标签标准。因此，8.1 这一节真正要盯住的，不是模型内部多复杂，而是数据上附着的标签到底意味着什么、又是按什么标准附着上去的。

监督学习不是死记一串标签名称，
而是在匹配输入和标签之间的关系。

在 Part 1 里，supervised learning、label、labeling、target、classification 和 regression 的基本区分会先在这一节固定。input 与 output 的基本区分已在 4.2 处理，training 与 prediction 的执行流程已在 5.1 和 5.2 处理。第 7 章又已经整理过搜索和启发式，所以这里可以直接把注意力放在“有标签数据”所建立出来的结构上。

supervised learning、label、labeling、target、classification 和 regression 一开始很容易听起来像类似的数据处理词。先把它们的位置简短拆开如下：

术语 极短含义 本节里的作用
supervised learning 从带标签的例子中学习 Chapter 8 的第一个基准点
label 贴在数据上的目标标记 模型试图去匹配的标准
labeling 给数据贴标签的过程 建立学习标准的准备工作
target 模型要去对齐的值 通常与 label 含义接近
classification 预测类别型标签 监督学习的代表形式之一
regression 预测数值型标签 监督学习的另一代表形式

这里至少要保留这样的最小区分：监督学习是带标签的学习，标签是目标标记，labeling 是建立标准，classification 选名字标签，regression 预测数字。

input 与 output 的基本区分已经在 4.2 固定，training 与 inference 的差别也已经在第 5 章处理。这里是在这些基础上再加一层：带标签的例子是怎样变成训练信号的。

这里先采用一个工作定义：

监督学习，就是利用同时给出输入与标签的例子，
把模型训练成能为新输入预测输出的方法。

用输入与标签建立学习标准的方式

  • 理解标签在监督学习里指示的是什么。
  • 把标签理解成更接近“可识别的标记”，而不是绝对答案。
  • 把 labeling 说明成给数据贴上区分标记的行为。
  • 把监督学习理解成使用同时包含 input 与 label 的例子进行学习。
  • 区分 label、target 与 expected output 的关系。
  • 在入门层面区分 classification 与 regression。
  • 理解“有标签”并不总是等于“有绝对真理”。
  • 为区分监督学习、无监督学习与强化学习做好准备。

三个基准

这里的重点不是监督学习算法，而是理解标签到底是什么。如果下面三点先固定下来，整条说明链就会清楚很多。

基准 为什么重要 本节需要达到的理解程度
监督学习使用同时包含输入和标签的例子 这是它和其他学习类型最基本的边界。 理解过去的例子里会同时带着人贴上的区分标记即可。
把标签读成“识别标记”通常比读成“绝对真相”更准确 这样能减少把标签当成不可质疑答案的误解。 先保留“标签是为了区分案例而贴上的标记”这个感觉。
模型试图把这种标签标准推广到新输入 这可以用一句话概括监督学习的目标。 把它理解成：把过去例子里见过的标准继续应用到新例子上。

标签是告诉模型“往哪里学”的信号

label 是贴在数据上的那个值，它告诉模型：输出应该尽量对齐到哪里。在监督学习里，supervised 并不表示“人每一步都在模型旁边实时指挥”。更准确的意思是：训练数据内部带着标签，而这些标签会充当学习方向的信号。

例如，如果客服句子被贴上 配送、退款 或 换货 这些标签，模型就会被训练去拟合“句子”和“标签”之间的关系。如果价格数据里附带了实际成交价，模型就会被训练去拟合“输入条件”和“那个数值标签”之间的关系。

所以，标签不只是一个名字。更准确地说，它是在某个问题定义内部附上的区分标记。从这个角度看，它和我们在更早处见过的 symbol 有一点相似：人会用 配送、退款、换货 这样的记号去区分不同类型的情况。但 labeling 并不等于 symbolic AI。labeling 是为机器学习准备训练数据的工作。

标签是贴在数据上的区分标记。
labeling 是给数据贴这种标记的过程。
这个标记会被当作模型要去匹配的目标输出。
标签标准决定了模型学习的方向。

监督学习从“带标签的例子”开始

Google 的 Machine Learning Glossary 把 supervised learning 解释成：从输入特征及其对应标签中训练模型。它也说明，labeled example 由一个或多个特征和一个标签组成，这种例子会被用来训练。

在这一阶段，还不需要先深入特征。最重要的结构更简单：

input + label = labeled example

拿客服消息分类来说：

输入 标签
“我想退款。” 退款
“配送什么时候到？” 配送
“商品寄来时是坏的。” 换货
“可以取消付款吗？” 退款

模型看过这些例子后，就会去预测新的句子更适合什么标签：

新输入：“我订的商品怎么还没到？”
模型输出：配送

这里最关键的是：监督学习依赖人事先贴好的标准。没有标签时，同一个问题就必须改用无监督学习或其他方式处理。所以当我们读到监督学习问题时，应该先问标签标准，而不是先问模型类型。

label、target 与 expected output

在监督学习里，label 是模型要去匹配的目标输出。scikit-learn 术语表把 target 解释成：在监督学习和半监督学习中传给估计器 fit 方法的 y，也就是因变量，并把 label 也列为它的另一种叫法。

本书这里采用的工作读法如下：

表达 本节里的含义
label 贴在数据上的区分标记，同时也是目标输出
labeling 给数据贴标签的行为
target 模型试图对齐的值，通常和 label 很接近
expected output 人希望模型给出的输出

在入门说明里，label 常常被直接叫作“答案”。这种说法只能作为初学时的简化比喻，更安全的理解仍然是：它是在某个问题定义和数据收集标准内部被贴上的标记。

例如：

“我想取消付款。”

这句话在不同标签体系下，可能会被贴成不同标签：

标签体系 可能的标签
工作流处理标准 取消
客户意图标准 退款
支付系统分类标准 支付

所以，label 并不是脱离语境悬浮存在的绝对真相，而是在特定问题定义里贴上的区分标记，并被用作监督学习中的目标值。

标签是在问题定义内部贴上的区分标记。
在监督学习里，这个标记会被当成目标输出。
如果问题定义改变，同一个输入的标签也可能改变。

监督学习的基本流程

监督学习的基本流程可以压缩成这样：

收集带标签的例子。
让模型根据输入预测输出。
比较预测和标签之间的差。
朝着差距变小的方向训练模型。
用训练后的模型去预测新输入。

用客服消息来写就是：

阶段 说明
数据准备 收集过去的客服句子和人工贴上的标签
训练 调整模型，使它更好匹配句子和标签之间的关系
预测 新句子到来时输出标签
评估 检查预测是否符合真实业务标准

第 5 章已经说明过，training 是调整模型内部数值的过程。8.1 这一节只是进一步说明：为什么“带标签的数据学习”要被单独称为监督学习。

classification 预测类别型标签

classification 是一种监督学习问题：输入会被分配到一个或多个预定义类别或标签中。关键点在于，这里的标签是类别型的。Google 的术语表也区分了 classification model 和 regression model：前者预测类别，后者预测数值。

客服类型判断就是一个分类问题：

输入 可能标签
“配送太慢了。” 配送
“我想退款。” 退款
“商品损坏了。” 换货

典型的分类输出长这样：

问题 输入 标签
垃圾邮件分类 邮件标题与正文 垃圾、正常
客服消息分类 客服句子 配送、退款、换货、其他
图像分类 图片 猫、狗、汽车
风险检测 交易信息 正常、可疑

regression 预测数值型标签

regression 是另一类监督学习问题：模型根据输入去预测连续数值。这里的标签不是类别名称，而是数字。Google 的术语表也说明 regression model 用于预测数值。

例如：

问题 输入 标签或目标
配送时间预测 地区、距离、下单时间、承运商状态 预计耗时
商品价格预测 商品属性、季节、库存、需求 价格
服务器成本预测 请求数、数据传输量、实例数 月成本
气温预测 时间、地区、气压、湿度 温度

classification 和 regression 都属于监督学习。它们的差别主要在于标签的形状：

区分 标签形态 例子
classification 类别 配送、退款、换货
regression 数字 3.5 小时、12000 元、27.2 度

入门层面的最短总结是：

classification 选的是名字标签；
regression 预测的是数值。

在监督学习里，标签标准本身很重要

在监督学习里，标签就是学习信号。所以，如果标签标准本身不稳定，模型也会不稳定。

labeling 看起来像是在做简单的数据录入，但它实际上是在决定：

什么应该算作同一类？
什么又必须被区分开？

如果不同的人给同一句客服消息贴上不同标签，结果就会变得摇晃：

输入 标签 A 标签 B 问题
“我想取消付款。” 退款 取消 把意图标准和流程标准混在一起
“我想改地址。” 配送 地址变更 标签体系本身重叠
“商品寄来时是坏的。” 换货 不良品 处理方式和原因分类混在一起

这样的数据虽然满足“有标签”，但不一定是好的监督学习数据，因为模型要去拟合的标准本身就不一致。

设计标签时，至少要问这些问题：

标签是否和业务目标一致？
不同的人能否按同一标准贴标签？
标签之间是否互相重叠？
模型真的能仅凭可见输入预测这些标签吗？

如果可能，标签标准也应和数据集说明一起被保留下来。Datasheets for Datasets 的提案就强调：数据集的动机、构成、收集过程和推荐使用方式都应该被文档化。对 8.1 来说，最重要的只是明白：标签标准本身也是数据上下文的一部分。

“有标签”并不自动等于“有真理”

监督学习常被解释成“从有正确答案的数据里学习”。作为入门比喻，这句话可以用，但不能字面化。更谨慎的说法仍然应该是：它是在“从有标签的数据里学习”。

有些标签相对明确：

输入 标签
手写数字图像 0 到 9 中的一个
商品销售记录 实际成交价
配送完成记录 完成或未完成

但很多现实世界标签并不这么简单。它们可能依赖业务约定、人的判断、时间背景或可观察信息的局限：

输入 标签可能摇摆的原因
客户情绪分类 不同的人可能有不同情绪解读
风险交易判断 会随着政策和成本标准改变
有害内容分类 会受到文化、法律和平台政策影响
质量评价 不同评审者可能使用不同标准

Google 的术语表也提醒：人工标注者会犯错，而当真实标签拿不到时，proxy label 必须谨慎选择。

所以在监督学习里，更重要的态度是：

不是因为有标签，就默认真理已经被确定。
而是先检查这个标签是按什么标准做出来的。

监督学习与其他学习类型的边界

8.1 只处理监督学习。先把它和后面两节的边界固定下来会更安全。

学习类型 数据与信号 中心问题 与下一节的关系
监督学习(supervised learning) 输入和标签 这个输入应该预测什么标签？ 8.1
无监督学习(unsupervised learning) 无标签数据 数据内部有什么结构？ 8.2
强化学习(reinforcement learning) 状态、动作、奖励 什么动作会提高长期奖励？ 8.3

deep learning 并不和这张表处在同一层。深度学习是用多层神经网络学习表征的一种方法，它既可以用于监督学习，也可以用于无监督学习和强化学习。

Checklist

  • 我可以把监督学习解释成使用同时包含输入与标签的例子。
  • 我可以区分 label、target 和 expected output 的关系。
  • 我可以说明 classification 选择类别，而 regression 预测数字。
  • 我可以说明标签标准一旦摇摆，监督学习数据也会跟着摇摆。
  • 我可以避免把监督学习、无监督学习、强化学习和深度学习混成同一分类。
  • 我可以把标签理解成问题定义内部的目标标记，而不是自动等于绝对真理。
  • 我可以说明理解监督学习时，应先看标签标准，再看模型本身。
  • 我可以追问标签到底意味着什么、能否按同一标准贴它，以及模型能否只靠输入预测它。

来源与参考资料