“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
- 如果做异常检测，标签可能是：
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。
