什么是“标签”？

“标签”（Label）是机器学习中最基础、也最容易混淆的概念之一。

---

一、什么是“标签”？（Label）

标签 = 正确答案
它是你希望模型最终能预测出来的目标值。

举个生活化的例子：

• 你给模型看一张猫的照片 → 标签是 “猫”
• 你给模型一组血压、心率数据 → 标签是 “是否患病（是/否）”

在工业传感器场景中：

• 你输入过去10秒的温度、振动、电流数据 →
  • 如果做异常检测，标签可能是：正常或异常
  • 如果做RUL预测，标签可能是：剩余还能运行 120 小时

---

二、标签在不同任务中的形式

1.分类任务（Classification）→ 标签是类别

任务	输入（特征）	标签（Label）
故障检测	[温度=85, 振动=3.2, ...]	"正常"或"故障"
故障类型识别	[压力=10, 噪声=60dB, ...]	"轴承磨损"、"电机过热"、"正常"

🔹 标签通常是字符串或整数（如 0=正常，1=故障）

---

2.回归任务（Regression）→ 标签是连续数值

任务	输入（特征）	标签（Label）
RUL 预测	过去50个时间步的传感器数据	127.5（小时）
温度预测	当前工况参数	92.3（℃）

🔹 标签是一个实数（float）

---

3.无监督学习→没有标签！

比如：

• 你只有一堆传感器数据，但不知道哪些是故障（也没人标记过）
• 这时候你不能用分类/回归，只能用无监督方法（如 Isolation Forest、K-Means）
• 模型自己“猜”哪些点不正常 → 这叫异常检测（Anomaly Detection）

✅ 所以：“有没有标签”决定了你能不能用监督学习！

---

三、在你的传感器场景中，标签从哪里来？

这是关键！标签不是凭空产生的，通常来自：

✅ 1.人工标注

• 工程师在设备故障后回溯数据，标记“从哪一刻开始算故障”
• 成本高，但最准确

✅ 2.系统日志 / 报警记录

• 设备自带故障报警信号（如 PLC 输出error_code=5）
• 可自动对齐时间戳，生成标签

✅ 3.间接定义

• 比如：当某个传感器值 > 阈值（如温度 > 100℃）→ 视为“异常”
• 虽然不是真实故障，但可作为代理标签（proxy label）

✅ 4.RUL 标签的构造方法

假设你知道设备在第 200 小时彻底失效：

• 第 190 小时的数据 → RUL 标签 = 10
• 第 180 小时的数据 → RUL 标签 = 20
• ...
• 第 0 小时（初始） → RUL 标签 = 200

📌 这种标签需要完整的寿命周期数据（从健康到失效）

---

四、有标签 vs 无标签 —— 如何选择方法？

场景	是否有标签？	推荐方法
有历史故障记录 + 时间戳	✅ 有	LightGBM 分类 / LSTM 回归
只有正常运行数据，从未记录故障	❌ 无	Isolation Forest、Autoencoder 异常检测
有部分故障数据（很少）	⚠️ 少量	半监督学习、One-Class Classification

---

五、代码示例：带标签 vs 不带标签

1.有标签（监督学习）

# X: 传感器特征 (n_samples, n_features) # y: 标签，0=正常，1=故障 X = [[85, 3.2], [90, 4.1], [70, 1.0], ...] y = [1, 1, 0, ...] # 用 LightGBM 训练 from lightgbm import LGBMClassifier model = LGBMClassifier() model.fit(X, y) # 注意：这里传入了 y（标签）

2.无标签（无监督）

# 只有 X，没有 y X = [[85, 3.2], [90, 4.1], [70, 1.0], ...] # 用 Isolation Forest from sklearn.ensemble import IsolationForest model = IsolationForest() model.fit(X) # 不需要 y！ preds = model.predict(X) # 输出 1（正常）或 -1（异常）

---

总结一句话：

标签就是“标准答案”——
有答案就教模型学（监督学习），
没答案就让模型自己找规律（无监督学习）。

在工业预测性维护中，获取高质量标签往往是最大难点。很多项目前期都在解决“如何定义和获取标签”的问题。