完整定義
標籤雜訊是指在機器學習的訓練資料集中,標籤(label)與實際資料點不符的情況。這種不一致可能是人為錯誤、資料收集過程中的問題,或是資料本身的模糊性所導致。標籤雜訊會嚴重影響模型的學習效果,使其難以準確預測。
白話說明
資料標對了模型才學得對,如果標籤本身就錯了,會發生什麼事?
你可以把它想成題目答案寫錯,學生就算很認真也會學歪。
標籤雜訊是指訓練資料集中不正確或錯誤的標籤。這些錯誤標籤會降低模型效能,導致模型學習到錯誤的模式。
記住這句
答案錯了,模型再強也會學歪。
比喻:標籤雜訊就像你給小朋友看圖說故事,結果有些圖你卻說錯了名字 -- 例如把貓說成狗。小朋友學到錯誤的資訊,以後看到貓也可能會叫成狗,模型也會因為這些錯誤標籤而學到錯的東西,導致判斷失準。
容易混淆
資料不平衡
標籤雜訊是標錯,資料不平衡是某一類太少,兩者都會讓模型表現變差。
資料偏見
偏見可能來自資料收集或標註規則,標籤雜訊更直接指錯標。
實際案例
圖片標錯類別
貓圖被標成狗,模型會把貓的特徵學到錯誤類別上。
內容審查
灰色地帶的內容如果標註規則不清,標籤雜訊就會被放大。
演算法與應用
標籤雜訊可能來自人工失誤、規則模糊、群眾標註品質差,或惡意污染。處理方法包含抽樣複查、共識標註、魯棒損失函數和資料清洗。
常見問題
標籤雜訊是標錯,資料不平衡是某一類太少,兩者都會讓模型表現變差。
你可以把它想成題目答案寫錯,學生就算很認真也會學歪。
偏見可能來自資料收集或標註規則,標籤雜訊更直接指錯標。
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