“训练数据”是什么？

一句话解释

训练数据是供给机器学习模型学习的样本集合，通常包含输入特征和对应的标签。比如教AI识别猫，就需要提供大量标有“猫”或“不是猫”的图片。

为什么会被关注

随着大模型能力爆发式增长，训练数据的规模和质量成为决定模型表现的关键瓶颈。数据量不足会导致欠拟合，噪声或偏见数据则会让模型输出错误甚至有害结果。近年来数据版权、隐私合规等问题进一步推高了训练数据的关注度。

核心逻辑

模型通过反复比对自身预测值与训练数据中真实标签的差异来调整参数，这个过程称为“反向传播”。数据中样本的分布、标注一致性、覆盖范围决定了模型能否学到有效规律，避免错误关联。

常见场景

自动驾驶系统使用大量路况视频和传感器数据训练；聊天机器人依赖对话文本学习回复模式；医疗AI需要病理切片与诊断报告。不同场景对数据的格式、标注精细度要求差异很大。

容易混淆的点

训练数据≠测试数据：训练数据用于调整模型参数，测试数据用于评估最终性能，二者必须严格分开。另外，训练数据量越大不一定越好，如果数据中存在大量重复或噪声，反而会导致过拟合或计算浪费。

如何获取高质量训练数据

公开数据集（如ImageNet、COCO）、众包标注平台、企业自有业务日志是常见来源。关键步骤包括去重、清洗异常值、平衡类别分布。对于敏感领域，还需通过脱敏和合成数据技术满足隐私要求。