特征、标签和数据集是什么？模型到底从什么里面学习

模型不会直接理解“用户”“房子”或“短信”。它看到的是被整理成数字、类别或文本表示的数据。

要读懂一份训练代码，先要分清样本、特征和标签。

样本：一条完整的观察记录

假设我们要预测房价，每一套房子就是一个样本：

一行通常代表一个样本，很多样本共同组成数据集。

特征：模型作判断时看到的信息

面积、房间数和距地铁距离都是特征。它们是模型用来寻找规律的输入，通常写成 X。

好的特征应该与任务有关，并且在真实预测时能够获得。用不到、质量差或带有未来信息的特征，可能让模型学偏。

在深度学习里，模型可以自动学习更复杂的内部特征，但最初输入的数据仍然需要正确准备。

标签：希望模型学会预测的答案

成交价是标签，也叫目标值，通常写成 y。

训练时，模型根据特征预测价格，再把预测价格和真实标签比较。分类任务的标签可能是类别编号，回归任务的标签通常是连续数值。

数据不只是一个文件

真正可训练的数据还包括：

• 字段含义和单位；
• 缺失值处理规则；
• 标签定义；
• 数据采集范围；
• 每个字段的数据类型；
• 是否包含敏感或不可使用的信息。

这些信息不清楚，代码即使能够运行，训练结果也可能没有意义。

先检查 Shape 和 dtype

进入 PyTorch 后，需要额外关注：

• Shape：一批数据有多少条、每条有多少特征；
• dtype：数据是浮点数还是整数；
• device：数据在 CPU 还是 GPU。

这三项是模型和数据之间最基本的契约。

这一课先记住什么

样本是一条记录，特征是输入信息，标签是要预测的答案。模型学习的是特征与标签之间的规律。

下一课会把一个完整数据集拆成 训练集、验证集和测试集。