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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
記住這句就好
答案錯了，模型再強也會學歪。
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。
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。
情境判斷
Q1（直覺題）： 如果你現在遇到一個 圖片標錯類別 的場景，這個概念會是第一個想到的工具嗎？ → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
Q2（判斷題）： 如果你把它和 資料偏見 一起用，結果反而變不穩，通常該怎麼想？ → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。
常見問題
標籤雜訊 最容易跟 資料不平衡 混淆嗎？
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。
什麼情況會用到 標籤雜訊？
你可以把它想成題目答案寫錯，學生就算很認真也會學歪。 實務上只要你要處理和這個概念相符的任務，就會用到它。
初學者最常錯在哪裡？
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。