訓練資料用於訓練機器學習模型。模型透過觀察範例來學習輸入和輸出之間的關係。例如，對於垃圾郵件過濾器，訓練資料是標記為垃圾郵件或非垃圾郵件的電子郵件；對於圖像分類器，訓練資料是帶有內容標籤的照片；對於語言模型，訓練資料是大量的文字。模型會調整其內部參數，以盡量減少預測結果與正確標籤之間的差異。訓練資料的品質和數量決定了模型的性能。

訓練資料有幾項要求。它必須能夠代表模型將要遇到的真實世界資料。僅用白天照片訓練的模型無法處理夜間照片。數據必須準確標註。標註錯誤的範例會教給模型錯誤的模式。數據量必須夠大，才能捕捉到數據的變化。資料量過小會導致過度擬合，模型會記住訓練範例而不是學習通用模式。數據必須無偏差，否則模型會學習並放大這種偏差。訓練資料也涉及隱私問題。用個人資料訓練的模型可能會記住並複製這些資料。監管框架越來越要求記錄訓練資料的來源和處理過程。數據不僅僅是輸入，它既是資產也是負債。模型的性能取決於它所學習的數據的品質。

訓練資料要求

• 代表性——反映現實世界的變化
• 已標註－準確的地面實況
• 樣本數大－有足夠的例子可以概括
• 公正無偏——沒有系統性偏差
• 有據可查——來源和加工過程已知

訓練資料就是老師。模型學習資料所揭示的內容。糟糕的數據會教出錯誤的道理。