本部分重点介绍标签。
直接标签与代理标签
考虑两种不同的标签：
- 直接标签，即与模型尝试做出的预测完全相同的标签。也就是说，模型尝试做出的预测恰好以列的形式存在于数据集中。例如，名为
bicycle owner的列将是二元分类模型的直接标签，该模型用于预测某人是否拥有自行车。 - 代理标签，即与模型尝试做出的预测相似但不完全相同的标签。例如，订阅《Bicycle Bizarre》杂志的人可能（但不一定）拥有自行车。
直接标签通常比代理标签更好。如果您的数据集提供了可能的直接标签，您可能应该使用它。不过，直接标签通常不可用。
代理标签始终是一种折衷方案，是对直接标签的不完美近似。不过，有些代理标签的近似程度足以发挥作用。使用代理标签的模型的效果取决于代理标签与预测之间的关联。
请注意，每个标签都必须以特征向量中的浮点数表示（因为机器学习从根本上来说只是大量数学运算的组合）。有时，存在直接标签，但无法轻松地将其表示为特征向量中的浮点数。在这种情况下，请使用代理标签。
练习：检查您的理解情况
贵公司希望执行以下操作：
向自行车车主邮寄优惠券（“购买新自行车头盔可享 15% 折扣”）。
因此，您的模型必须执行以下操作：
预测哪些人拥有自行车。
很遗憾，该数据集不包含名为 bike owner 的列。
不过，该数据集确实包含一个名为 recently bought a bicycle 的列。
对于此模型，
recently bought a bicycle 是一个好的代理标签还是一个差的代理标签？良好的代理标签
列
recently bought a bicycle 是一个相对较好的代理标签。毕竟，现在购买自行车的人大多已经拥有自行车。不过，与所有代理标签（即使是非常好的代理标签）一样，recently bought a
bicycle 并不完美。毕竟，购买商品的人并不总是使用（或拥有）该商品的人。
例如，人们有时会购买自行车作为礼物。代理标签不当
与所有代理标签一样，
recently bought a bicycle 并不完美（有些自行车是作为礼物购买并送给别人的）。不过，recently bought a bicycle 仍然是表明某人拥有自行车的相对较好的指标。人工生成的数据
有些数据是人工生成的，也就是说，一个或多个人检查某些信息并提供一个值（通常是标签）。例如，一位或多位气象学家可以检查天空照片并识别云的类型。
或者，某些数据是自动生成的。也就是说，由软件（可能是另一个机器学习模型）确定该值。例如，机器学习模型可以检查天空图片并自动识别云类型。
本部分探讨了人工生成数据的优势和劣势。
优势
- 人工评估者可以执行各种任务，即使是复杂的机器学习模型也可能难以完成这些任务。
- 此流程可促使数据集所有者制定清晰一致的标准。
缺点
- 您通常需要向人工评估者付费，因此人工生成的数据可能很昂贵。
- 人非圣贤，孰能无过。因此，可能需要多个人工评估者来评估同一数据。
请仔细思考以下问题，以确定您的需求：
- 评分员必须具备哪些技能？（例如，评分员是否必须会说某种特定语言？您是否需要语言学家来处理对话或 NLP 应用？)
- 您需要多少个已加标签的示例？您多久之后需要这些商品？
- 您的预算是多少？
务必要仔细检查人工评估员。例如，您可以自行为 1,000 个示例添加标签，然后查看您的结果与其他评估者的结果是否一致。 如果出现差异，请不要认为您的评分是正确的，尤其是在涉及价值判断时。如果人工评估员引入了错误，请考虑添加说明来帮助他们，然后重试。