训练数据用于训练机器学习模型。模型通过观察示例来学习输入和输出之间的关系。例如，对于垃圾邮件过滤器，训练数据是标记为垃圾邮件或非垃圾邮件的电子邮件；对于图像分类器，训练数据是带有内容标签的照片；对于语言模型，训练数据是大量的文本。模型会调整其内部参数，以尽量减少预测结果与正确标签之间的差异。训练数据的质量和数量决定了模型的性能。

训练数据有几项要求。它必须能够代表模型将要遇到的真实世界数据。仅用白天照片训练的模型无法处理夜间照片。数据必须准确标注。标注错误的示例会教给模型错误的模式。数据量必须足够大，才能捕捉到数据的变化。数据量过小会导致过拟合，模型会记住训练示例而不是学习通用模式。数据必须无偏差，否则模型会学习并放大这种偏差。训练数据也涉及隐私问题。用个人数据训练的模型可能会记住并复制这些数据。监管框架越来越要求记录训练数据的来源和处理过程。数据不仅仅是输入，它既是资产也是负债。模型的性能取决于它所学习的数据的质量。

训练数据要求

• 代表性——反映现实世界的变化
• 已标注——准确的地面实况
• 样本量大——有足够的例子可以概括
• 公正无偏——没有系统性偏差
• 有据可查——来源和加工过程已知

训练数据就是老师。模型学习数据所揭示的内容。糟糕的数据会教出错误的道理。