AITerms 登入
機器學習深度學習電腦視覺

資料標註(Data Labeling)是什麼?

資料標註是指為原始資料添加標籤的過程,這些標籤提供關於資料的額外資訊,用於訓練監督式機器學習模型。

完整定義

資料標註是監督式機器學習中不可或缺的步驟,它涉及為原始資料(例如圖像、文本、音訊或影片)添加標籤或註釋。這些標籤提供關於資料的額外資訊,例如物件的類別、文本的情感或音訊的內容。標註後的資料被用於訓練監督式機器學習模型,使其能夠學習資料的模式並進行預測。

白話說明

你有沒有在你想用更貼近業務流程的方式替資料貼上標籤時,還在想這件事到底該怎麼看?

把它想成幫資料分類、命名,讓模型知道該學哪一種答案。

資料標籤是模型學習的對照組,標錯就會學歪。

它常和資料標註一起出現,但重點更偏向類別和欄位定義。

記住這句

標籤是模型的答案卡。

比喻:資料標註就像給文件分類貼標籤 -- 你看到一份文件,判斷它是「財務報表」還是「行銷企劃」,然後貼上對應的標籤,這樣電腦就能學會怎麼辨識和歸類這些文件了。

容易混淆

data-annotation

vs 特徵工程:特徵工程像從原始資料中提煉出關鍵資訊,創造新的「線索」;資料標註則是直接給予資料「答案」,告訴模型這個線索代表什麼,兩者都是為了幫助模型學習。

常見混淆:資料標註 vs data-annotation

標籤偏向類別設計,標註偏向把資料貼上這些答案。

實際案例

客服意圖

把對話標成退款、查單、抱怨等標籤,後續才能做分類。

商品類別

把商品貼上服飾、家電、食品等標籤,方便搜尋與推薦。

演算法與應用

1. 標籤要先定義清楚,不然同一筆資料會被貼成不同類別。

2. 標籤設計要兼顧業務可用性和模型可學性。

3. 標籤體系變動時,歷史資料也要一起對齊,不然訓練會混亂。

情境判斷

Q1:如果兩位標註者對同一筆資料的標籤不一致,先檢查什麼?

先檢查標籤定義是否夠清楚,或是否有邊界案例。

Q2:標籤設計得越細越好嗎?

不一定,太細會讓資料分散,模型反而更難學。

常見問題

相關術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本