Label (englisch für Beschriftung, Etikett) bezeichnet im maschinellen Lernen das zu einem Datenpunkt gehörende gewünschte Ausgabesignal. Beim überwachten Lernen lernt ein Modell, aus Eingabedaten die passenden Labels vorherzusagen – etwa die Kategorie Spam oder kein Spam für eine E-Mail.
Wie Labels entstehen
Labels stammen aus der manuellen Datenannotation oder aus automatischen Verfahren. Ein Mensch beschriftet Beispielbilder, Texte oder Audiodaten, bis ein ausreichend großer Datensatz vorliegt. Diese Beschriftungen bilden die Ground Truth, an der das Modell sein Lernen ausrichtet.
Diskrete und kontinuierliche Labels
Bei der Klassifikation sind Labels diskrete Kategorien (Hund, Katze, Vogel). Bei der Regression dagegen sind die Zielwerte kontinuierlich, etwa ein Temperaturwert – in diesem Fall spricht man häufig von Targets statt Labels. In beiden Fällen gilt: Die Qualität der Labels bestimmt maßgeblich die Qualität des Modells.
Label-Noise
Falsche oder uneinheitliche Beschriftungen nennt man Label-Noise. Sie erschweren das Training und führen zu schlechteren Vorhersagen. Deshalb investieren professionelle ML-Projekte viel in klare Annotationsrichtlinien und Qualitätskontrollen. Ein Modell lernt nur das, was ihm die Trainingsdaten mit ihren Labels beibringen – fehlerhafte Beschriftungen wirken sich direkt auf die Ergebnisse aus.
Verwandte Grundlagen: Supervised Learning.