特徵、標籤、超參數是什麼？機器學習 5 個必懂名詞

特徵、標籤、超參數是什麼？特徵是模型拿來判斷的線索，標籤是要它學會的正確答案，超參數是訓練前由人設定的學習方式。

再加上「樣本」和「參數」，這 5 個名詞就是機器學習的基本詞彙，後面每一篇都會用到。這篇一樣用手搖飲料店當例子，把 5 個名詞放進同一張表、同一個公式裡，一步一步算給你看。

特徵、標籤、樣本是什麼？飲料店銷售紀錄表：氣溫、是否假日是特徵，賣出杯數是標籤，每一列是一個樣本

為什麼你需要知道

看不懂任何教學：機器學習的文章、課程、官方文件，開口閉口都是「特徵」「標籤」「超參數」。這 3 個字卡住，後面全部讀不下去
最容易搞混的一組：「參數」和「超參數」只差一個字，意思完全不同。很多人學了半年還分不清，考試也最愛拿這個出題
GCP 上每一步都要填：在 BigQuery ML 訓練模型，你要指定哪一欄是標籤、哪些欄是特徵、超參數設多少。名詞不懂，連設定畫面都看不懂
證照必考：PMLE 官方考試指南裡，「特徵工程」「Feature Store」「超參數調整」分散在好幾個大區塊，都是建在這 5 個名詞上

先看全貌：一張表看懂 5 個名詞

上一篇〈分類和迴歸差在哪？〉用飲料店預測「明天賣幾杯珍奶」。這篇沿用同一個例子。

假設店長手上有過去的銷售紀錄，長這樣（教學用的假設數字）：

日期	氣溫（°C）	是不是假日	賣出杯數
週一	25	否（0）	180
週二	28	否（0）	185
週六	30	是（1）	245

這張表裡就藏了 3 個名詞：

每一列（一天的紀錄）＝一個樣本
「氣溫」「是不是假日」這兩欄＝特徵
「賣出杯數」這一欄＝標籤

另外 2 個名詞，參數和超參數，不在表裡，而是在「模型」和「訓練過程」裡。先用一張總表記住，下面一個一個拆開講：

名詞	白話	飲料店例子	誰決定的
樣本（Example）	一筆資料，表格的一列	週六那天的紀錄	你收集來的
特徵（Feature）	拿來判斷的線索	氣溫、是不是假日	你挑的
標籤（Label）	要學會的正確答案	賣出杯數	你準備的
參數（Parameter）	模型自己學出來的數字	「每熱 1 度多賣 5 杯」的 5	模型自己學的
超參數（Hyperparameter）	訓練前由人設定的學習方式	學習率、要訓練幾輪	人設定的

表格裡的「列」是橫的一行，一列代表一筆紀錄；「欄」是直的一行，一欄代表一種資訊。這兩個字後面會一直出現。

名詞 1：樣本（Example）

白話是什麼

樣本：一筆資料，就是表格裡的一列。

比喻

就像一本考古題裡的一道題目。整本考古題是資料集，每一題就是一個樣本。

來龍去脈

Google 的機器學習詞彙表把它叫 Example（範例），定義是「一列特徵的值，可能再加上標籤」。統計學習慣叫 Sample（樣本）或觀測值，指的都是同一件事。台灣的中文教材「樣本」最常見，這篇統一用樣本。

樣本分兩種，差別在有沒有附答案：

	有標籤的樣本（Labeled Example）	沒標籤的樣本（Unlabeled Example）
長怎樣	特徵＋標籤	只有特徵
飲料店例子	週六：30 度、假日、賣了 245 杯	明天：32 度、假日、賣幾杯？還不知道
什麼時候用	訓練時（給模型練習）	預測時（叫模型回答）

為什麼要學

模型能學多好，很大一部分看樣本夠不夠多、夠不夠有代表性。只收集了夏天的樣本，模型就不知道冬天會怎樣。之後講資料切分、類別不平衡，都是在處理「樣本」的問題。

名詞 2：特徵（Feature）

白話是什麼

特徵：模型拿來做判斷的線索，就是表格裡「答案以外」的那些欄位。

比喻

就像你在人群裡認朋友，看的是「身高、髮型、走路的樣子」。這些用來辨認的線索就是特徵。

飲料店店長憑經驗猜明天生意，腦中想的也是線索：「明天很熱、又是週末，應該會很忙。」氣溫、是不是週末，就是他在用的特徵。

來龍去脈

Feature 的原意是「特點、明顯的特色」，像臉部特徵。在機器學習裡，Google 詞彙表的定義是「模型的輸入變數」，也就是餵進模型的東西。

一個樣本通常有好幾個特徵，把它們排成一串，例如 [30, 1]（30 度、假日），這一串叫特徵向量（Feature Vector）。看到這個詞，想成「一筆資料的所有線索排成一排」就好。

特徵的兩種樣子

種類	白話	飲料店例子
數值特徵	本身就是數字，可以比大小	氣溫 30 度、會員年齡 28 歲
類別特徵	幾個選項之一	天氣（晴／雨／陰）、分店（台北／台中）

模型只看得懂數字，所以類別特徵要先轉成數字。例如「是不是假日」轉成 1 和 0。更複雜的轉法會在第 10、11 篇（資料前處理、特徵工程）講。

為什麼要學

特徵挑得好不好，常常比模型選得好不好更重要。

想像店長只看「今天星期幾」來猜生意，完全不管天氣，颱風天也照樣備一堆料，一定猜不準。挑出真正有影響的線索，叫做特徵選擇；把原始資料加工成更好用的線索，叫做特徵工程。這兩件事都在 PMLE 考試範圍裡。

名詞 3：標籤（Label）

白話是什麼

標籤：每一個樣本的正確答案，也就是你想讓模型學會預測的那一欄。

比喻

就是考古題後面附的解答。學生寫完題目對答案，才知道自己錯在哪。

來龍去脈

Label 原意是「貼在東西上的標示」。早期要訓練模型認貓狗照片，得先請人一張一張看，貼上「貓」「狗」的標示，所以叫標籤。這個「請人貼答案」的工作，到現在還叫資料標註（Data Labeling），Google Cloud 也有提供標註服務。

Google 詞彙表的定義是：在監督式學習裡，樣本的「答案」或「結果」那一部分。

標籤長什麼樣子，決定了你在做哪一種學習：

標籤長這樣	是哪一種	飲料店例子
一個選項	分類	會員會不會回來？
一個數字	迴歸	明天賣幾杯？
沒有標籤	非監督式學習	把會員自動分群，事先不知道有哪幾群

最後一列很重要：不是每種機器學習都有標籤。第 1 篇講過，非監督式學習就是「沒有答案，自己找規律」，所以只有特徵、沒有標籤。

為什麼要學

兩個最常見的坑都跟標籤有關：

標籤錯了，模型就學錯：解答本印錯，學生越練越歪。標註品質是很多專案失敗的真正原因
把答案混進特徵裡：例如想預測「今天賣幾杯」，卻把「今天的營業額」也當成特徵。營業額根本就是賣出杯數算出來的，等於讓模型偷看答案，練習時分數超高，真的上線就破功。這種狀況叫資料洩漏（Data Leakage），第 8 篇會專門講

名詞 4：參數（Parameter）

白話是什麼

參數：模型在訓練過程中自己學出來的數字。訓練完，這些數字就是模型學到的「經驗」。

比喻

就像資深店員腦中的直覺：「每熱 1 度大概多賣 5 杯，週末再多 40 杯。」這個 5 和 40 不是誰教他的，是他看了幾百天的生意自己摸出來的。

來龍去脈

Parameter 是數學用語，指公式裡的係數。以最簡單的線性迴歸為例，模型其實就是一條公式：

預測杯數 = b + w₁ × 氣溫 + w₂ × 是不是假日

公式裡的 b、w₁、w₂ 就是參數，有兩種：

權重（Weight，w）：每個特徵「有多重要」。w₁ 是氣溫的權重，意思是每熱 1 度多賣幾杯
偏差（Bias，b）：不管特徵是多少，都會有的「基本量」。就像就算 0 度、平日，也還是會有一些固定客人

這裡的「偏差」是數學上的意思（公式的起點），跟 AI 倫理講的「偏見」不一樣，英文都叫 bias，看到時要分清楚。

算一次給你看

假設模型訓練完，學到的參數是（教學假設的數字）：

參數	學到的值	白話意思
b（偏差）	50	基本盤，每天至少 50 杯
w₁（氣溫的權重）	5	每熱 1 度，多賣 5 杯
w₂（假日的權重）	40	假日比平日多 40 杯

把前面那張表的樣本代進去，看看模型猜得準不準：

週一（25 度、平日）：50 + 5 × 25 + 40 × 0 = 50 + 125 + 0  = 175 杯（實際 180，差 5 杯）
週二（28 度、平日）：50 + 5 × 28 + 40 × 0 = 50 + 140 + 0  = 190 杯（實際 185，差 5 杯）
週六（30 度、假日）：50 + 5 × 30 + 40 × 1 = 50 + 150 + 40 = 240 杯（實際 245，差 5 杯）

每天都只差 5 杯，這組參數學得不錯。現在拿一個沒標籤的樣本來預測：

明天（32 度、假日）：50 + 5 × 32 + 40 × 1 = 50 + 160 + 40 = 250 杯

這就是「預測」：把新的特徵代進學好的公式，算出答案。

模型參數怎麼用：預測杯數 = 50 + 5 × 氣溫 + 40 × 假日，32 度假日代進去算出 250 杯

數字怎麼看：

權重越大：這個特徵影響越大。w₂ = 40 比 w₁ = 5 大，但不代表假日比氣溫重要，因為氣溫的數字本身很大（25～32），乘起來影響其實也不小
權重是負的：代表這個特徵越大，答案越小。例如「下雨量」的權重可能是負的，雨越大賣越少
權重接近 0：這個特徵幾乎沒用，可以考慮拿掉

為什麼要學

「訓練模型」這件事，說穿了就是找出一組最好的參數。之後看到「模型檔案」，裡面存的主要就是這些數字。簡單的模型只有幾個參數；大型語言模型的參數動輒幾十億、幾千億個，「參數量」就是在講這個。

名詞 5：超參數（Hyperparameter）

白話是什麼

超參數：訓練開始之前，由人設定的數字，用來控制「模型要怎麼學」。

比喻

把模型想成一個準備考試的學生：

參數＝學生腦中學到的知識。是他自己讀出來的，別人沒辦法直接塞給他
超參數＝老師幫他排的讀書計畫：一次讀幾題才對答案、整本要讀幾遍、每次訂正要改多大

讀書計畫排得好，同一個學生可以考得更好；排得爛，再聰明也學不起來。

來龍去脈

「超」（Hyper）是「在……之上」的意思。超參數就是管參數的參數：它不直接出現在模型的公式裡，而是在上面一層，控制參數怎麼被學出來。

Google 詞彙表的說法很清楚：參數是模型在訓練中學到的；超參數是你（或超參數調整服務）提供給模型的。

常見的超參數

超參數	白話	讀書計畫比喻
學習率（Learning Rate）	每次修正參數時，改多大	每次訂正，觀念要改多少
批次大小（Batch Size）	看幾個樣本才修正一次	做幾題才對一次答案
訓練輪數（Epochs）	整份資料要看幾遍	整本考古題讀幾遍
正則化強度（Regularization）	懲罰模型「死背」的力道	規定不准只背答案，要懂觀念
樹的深度、網路層數	模型本身要多複雜	學生腦容量開多大

正則化是解決「死背」（過度擬合）的方法，第 7 篇會完整講；站上也有一篇正則化的介紹可以先看。

算一次給你看 1：學習率設多少，差很多

模型是怎麼「學」出參數的？最常見的方法叫梯度下降（Gradient Descent）。

比喻：你在大霧的山上，想走到山谷最低點（誤差最小的地方），但看不到路。你只能用腳感覺腳下的坡往哪邊斜，然後往下坡方向跨一步。一直重複，就會慢慢走到谷底。

「坡往哪邊斜、斜多少」叫梯度，是模型自己算出來的
「每一步跨多大」就是學習率，是人設定的超參數

更新參數的公式：

新的參數 = 舊的參數 − 學習率 × 梯度

情境（教學簡化的數字）：我們只看氣溫的權重 w₁。最理想的值是 5（每熱 1 度多賣 5 杯），但模型一開始是亂猜的，猜成 3。在 w₁ = 3 這個位置，模型算出的梯度是 −20（負號代表「往大的方向調，誤差會變小」）。

三種學習率，各走一步：

學習率 0.01：3 − 0.01 × (−20) = 3 + 0.2 = 3.2
學習率 0.1 ：3 − 0.1  × (−20) = 3 + 2   = 5
學習率 0.5 ：3 − 0.5  × (−20) = 3 + 10  = 13

學習率怎麼影響訓練：從 3 出發，學習率 0.01 只走到 3.2，0.1 剛好到 5，0.5 衝過頭到 13

數字怎麼看：

0.01（太小）：只從 3 走到 3.2，離 5 還很遠。不是錯，是太慢，要走很多步、花很多訓練時間
0.1（剛好）：一步就到 5。實際訓練每走一步梯度都會重新計算，很少一步到位，但方向和速度都對
0.5（太大）：直接衝到 13，比原本的 3 離 5 更遠了。下一步可能又衝回另一邊，在谷底兩側跳來跳去，一直停不下來

w₁ = 13 在現實中代表什麼？模型會以為「每熱 1 度多賣 13 杯」，週六 30 度、假日就會預測 50 + 13 × 30 + 40 = 480 杯，實際只賣 245 杯。店長照這個備料，一半要倒掉。

Google 機器學習速成課程的說法一樣：學習率太低，要很久才能收斂；太高，誤差會上下亂跳、甚至越來越大。「收斂」的意思是誤差降到差不多不再變化，模型學得差不多了。

算一次給你看 2：批次大小和訓練輪數

假設店長有 1,000 天的銷售紀錄（1,000 個樣本），設定：

批次大小＝ 50（每看 50 天的資料，修正一次參數）
訓練輪數＝ 10（整份資料看 10 遍）

一輪要修正幾次 = 樣本數 ÷ 批次大小 = 1,000 ÷ 50 = 20 次
總共修正幾次   = 20 次 × 10 輪       = 200 次

數字怎麼看：

批次調大（例如 500）：一輪只修正 2 次，每次看得比較全面、比較穩，但修正次數少，可能學不夠
批次調小（例如 1）：一輪修正 1,000 次，學得快，但每次只看 1 天，容易被特例帶著走，走起來歪歪扭扭
輪數太少：還沒學會就停了；輪數太多：開始死背訓練資料，遇到新資料反而變差（過度擬合，第 7 篇）

這也是為什麼超參數沒有標準答案，要試。

參數 vs 超參數：一張表比完

參數和超參數差在哪：參數是模型自己學的，像腦中的知識；超參數是人在訓練前設定的，像讀書計畫

	參數（Parameter）	超參數（Hyperparameter）
誰決定	模型在訓練中自己學	人在訓練前設定
什麼時候定下來	訓練過程中一直在變，訓練完才固定	訓練開始前就定好
比喻	學生腦中的知識	老師排的讀書計畫
例子	權重（w）、偏差（b）	學習率、批次大小、訓練輪數、正則化強度
存在哪裡	存在模型檔案裡，預測時要用	只在訓練時用，預測時用不到
怎麼找到好的值	訓練（梯度下降）	超參數調整（試很多組，挑最好的）

一句話記住：模型自己學的叫參數，人幫它設的叫超參數。

超參數調整：怎麼找到最好的設定

既然超參數要試，就有方法幫你自動試，叫做超參數調整（Hyperparameter Tuning）。

比喻：像在找最好喝的珍奶配方，糖度、冰塊、珍珠煮幾分鐘都要試。每一種組合泡一杯、請客人試喝打分數，最後選分數最高的那杯。每泡一杯，就是一次「試驗（Trial）」。

常見的三種試法：

方法	白話	珍奶比喻
網格搜尋（Grid Search）	列出所有組合，全部試一遍	每種糖度配每種冰塊，全部泡一輪
隨機搜尋（Random Search）	在範圍內隨機抽幾組來試	隨便抽 10 種組合來泡
貝氏最佳化（Bayesian Optimization）	根據前面試過的分數，猜下一組最可能更好的	發現半糖少冰分數高，下一杯就往附近試

算一次給你看（教學假設的數字）：想試 3 種學習率（0.01、0.1、0.5）和 4 種訓練輪數（5、10、20、40），用網格搜尋：

要試幾組  = 3 × 4 = 12 組
一組訓練 10 分鐘，一組一組排隊跑：12 × 10 = 120 分鐘
同時跑 4 組（平行）：12 ÷ 4 = 3 批，3 × 10 = 30 分鐘

數字怎麼看：超參數每多一種、每種多幾個選項，組合數是相乘往上跳的。再加一個有 5 個選項的超參數，就變成 60 組。所以超參數一多，大家就不用網格搜尋全部試，改用隨機搜尋或貝氏最佳化，用比較少的次數找到夠好的組合。

平行跑是指同時開好幾台電腦一起訓練，等的時間變短，但總共用掉的運算量一樣，雲端費用不會比較少。

試超參數時，要拿一份「訓練時沒看過」的資料來打分數，不然模型只是把練習題背熟了。這份資料叫驗證集，下一篇（第 4 篇）會講怎麼切。

在 GCP 上怎麼做

GCP（Google Cloud Platform） 是 Google 的雲端服務，白話說就是租用 Google 機房裡的電腦和工具。5 個名詞在 GCP 上最直接看得到的地方，是 BigQuery ML。

1. BigQuery ML：一段 SQL 看到 5 個名詞

BigQuery：Google 的大型資料倉庫，專門存放和分析超大量的表格資料
SQL：一種「跟資料庫說話」的語言，用來查詢、整理資料
BigQuery ML：讓你用 SQL 直接在 BigQuery 裡訓練模型

CREATE MODEL `shop.daily_cups`
OPTIONS(model_type='LINEAR_REG',
        input_label_cols=['cups_sold'],
        optimize_strategy='BATCH_GRADIENT_DESCENT',
        learn_rate_strategy='CONSTANT',
        learn_rate=0.1,
        max_iterations=10) AS
SELECT temperature, is_holiday, cups_sold
FROM `shop.daily_sales`;

一行一行對回這篇的名詞：

程式裡的	是哪個名詞	白話
`FROM shop.daily_sales` 的每一列	樣本	每一天的銷售紀錄
`temperature`、`is_holiday`	特徵	氣溫、是不是假日
`input_label_cols=['cups_sold']`	標籤	告訴它「賣出杯數」是答案
`learn_rate=0.1`、`max_iterations=10`	超參數	學習率 0.1、最多訓練 10 輪
訓練完模型裡存的數字	參數	每個特徵的權重

依照官方文件，幾個要注意的細節：

沒寫 input_label_cols 的話，它會找名字叫 label 的欄位當標籤
學習率預設是自動找（LINE_SEARCH），要自己指定 learn_rate，得先把 learn_rate_strategy 改成 CONSTANT
線性迴歸在資料不多時，預設可能直接用公式一次解出參數，不走梯度下降，這時學習率用不到。所以範例裡寫明 optimize_strategy='BATCH_GRADIENT_DESCENT'
max_iterations 預設 20；正則化 l1_reg、l2_reg 預設 0（不懲罰）

訓練完，想看模型學到的參數，用 ML.WEIGHTS：

SELECT * FROM ML.WEIGHTS(MODEL `shop.daily_cups`);

它會列出每個特徵學到的權重。如果氣溫那一列是 5 左右，就對應到這篇講的「每熱 1 度多賣 5 杯」。

2. BigQuery ML 的超參數調整

不想自己一組一組試，BigQuery ML 可以自動幫你調超參數：

CREATE MODEL `shop.daily_cups_tuned`
OPTIONS(model_type='LINEAR_REG',
        input_label_cols=['cups_sold'],
        num_trials=12,
        max_parallel_trials=4,
        l1_reg=HPARAM_CANDIDATES([0, 1.0, 3.0]),
        l2_reg=HPARAM_CANDIDATES([0, 1.0, 3.0, 5.0])) AS
SELECT temperature, is_holiday, cups_sold
FROM `shop.daily_sales`;

翻成白話：

num_trials=12：總共試 12 組（可設 1 到 100），要寫這個才會開啟超參數調整
max_parallel_trials=4：最多同時跑 4 組（上限 5，預設 1）
HPARAM_CANDIDATES([...])：列出要試的選項；也可以用 HPARAM_RANGE(最小, 最大) 給一個範圍
3 種 l1_reg × 4 種 l2_reg ＝ 12 組，跟上面算的組合數一樣道理

幾個官方預設值：

設定	預設	白話
搜尋方法 `HPARAM_TUNING_ALGORITHM`	`VIZIER_DEFAULT`	Google 的自動調參演算法，另外可選 `RANDOM_SEARCH`、`GRID_SEARCH`
線性迴歸用什麼分數挑	`R2_SCORE`	上一篇講的 R²，越接近 1 越好
邏輯迴歸用什麼分數挑	`ROC_AUC`	分類用的分數，第 6 篇會講
資料怎麼切	80% 訓練、10% 評估、10% 測試	自動切好，第 4 篇會講為什麼要切

3. Agent Platform 上的超參數調整（原 Vertex AI）

如果模型是自己用 Python 寫的（不是用 SQL），可以用 Google Cloud 的機器學習平台幫你跑超參數調整。這個平台名字最近改了：

舊題庫可能還會看到 Vertex AI，現在叫 Gemini Enterprise Agent Platform（簡稱 Agent Platform）。
Google Cloud 在 2026 年 4 月 22 日把 Vertex AI 改名，底下功能跟著改名（官方對照表）。功能本身是延續的。

依照官方文件，做法是：你告訴它要調哪些超參數、每個的範圍、用哪個分數當目標、要越大還是越小，它就會跑很多次試驗、記錄結果、自動調整下一次要試的值。沒有特別指定的話，預設用貝氏最佳化，也可以選網格搜尋或隨機搜尋。

另外一個跟「特徵」有關的服務是 Feature Store：把整理好的特徵集中存放，讓不同團隊、不同模型共用，預測時也能很快取用。可以想成全公司共用的「線索倉庫」，第 23 篇會再細講。

舊名稱	現在的名稱
Vertex AI	Gemini Enterprise Agent Platform（Agent Platform）
Vertex AI Training（含超參數調整）	Gemini Enterprise Agent Platform Managed Training
Vertex AI Feature Store	Feature Store on Gemini Enterprise Agent Platform
Vertex AI Experiments	Experiments on Agent Platform

考試會怎麼考

Google Cloud Professional Machine Learning Engineer（PMLE，專業機器學習工程師） 證照，2026 年 6 月 1 日起的官方考試指南裡，這 5 個名詞散在好幾個區塊：

考試區塊	跟這篇有關的項目
第 1 區：用低程式碼方式打造 AI 方案（約 13%）	用 BigQuery ML 做特徵工程或特徵選擇
第 2 區：跨團隊管理資料與模型（約 16%）	在 Agent Platform Feature Store 建立、整合特徵
第 3 區：把原型擴展成正式模型（約 21%）	超參數調整
第 4 區：模型服務與擴展（約 20%）	用 Feature Store 管理、提供特徵

考題通常不會問「特徵的定義是什麼」，而是給一段情境，看你能不能分辨。

PMLE 考試關鍵字：模型自己學的是參數，訓練前設定的是超參數，誤差上下亂跳是學習率太高，多團隊共用特徵想到 Feature Store

看到這些字，就想到這個

題目出現的關鍵字	想到
「訓練中學到的」「權重」「weights and biases」	參數
「訓練前設定」「學習率、層數、批次大小」	超參數
「找出最佳的學習率／層數」「自動試多組設定」	超參數調整（Hyperparameter Tuning）
「誤差（loss）上下震盪、不收斂、越來越大」	學習率太高，調低
「誤差降得很慢、訓練太久」	學習率可能太低
「試驗次數有限、預算有限，要有效率地找」	貝氏最佳化（預設），不是網格搜尋
「多個團隊重複算同樣的特徵」「線上預測要低延遲取特徵」	Feature Store
「用 SQL 找出重要的特徵」	BigQuery ML 的特徵選擇
「模型在測試時分數好到不合理」	檢查是不是標籤混進特徵（資料洩漏）

三個常見陷阱

把權重當成超參數：選項寫「調整模型的權重來做超參數調整」，錯。權重是參數，是模型自己學的
網格搜尋不一定最好：超參數多、預算有限時，網格搜尋組合數會爆炸，題目通常要你選更有效率的方法
非監督式學習沒有標籤：題目說「沒有標註好的資料」，就不能直接用分類、迴歸這種監督式模型

練習情境（自己出的練習，不是真實考題）

一間連鎖飲料店用自訂的神經網路預測各分店銷量。資料科學家發現，訓練時誤差一下高一下低，始終降不下來。團隊想找出更好的訓練設定，但雲端預算只夠跑 20 次訓練。該怎麼做？

判斷過程：

「誤差一下高一下低、降不下來」→ 典型的學習率太高，要把學習率列入調整範圍、往小的方向試
「找出更好的訓練設定」→ 調的是超參數，用超參數調整服務
「只夠跑 20 次」→ 次數有限，用預設的貝氏最佳化，它會根據前面的結果挑下一組，比網格搜尋有效率
「自訂的神經網路」→ 不是 SQL 模型，用 Agent Platform（原 Vertex AI） 的超參數調整

常見問答

特徵和標籤差在哪？

特徵是模型拿來判斷的線索，標籤是要它預測的正確答案。以飲料店為例，氣溫、是不是假日是特徵，賣出杯數是標籤。訓練時兩個都要有；預測時只給特徵，讓模型算出標籤。

參數和超參數差在哪？

參數是模型在訓練中自己學出來的數字，例如權重和偏差；超參數是人在訓練開始前設定的數字，例如學習率、批次大小、訓練輪數。一句話記：模型自己學的叫參數，人幫它設的叫超參數。

學習率要設多少？

沒有固定答案，常見的起點是 0.1、0.01、0.001 這類數字，再用超參數調整去試。設太大，誤差會上下亂跳停不下來；設太小，訓練會很慢。BigQuery ML 的線性模型預設會自動找學習率。

超參數調整是什麼？

超參數調整是自動試很多組超參數、比較分數、挑出最好那組的過程，每試一組叫一次試驗。常見方法有網格搜尋（全部試）、隨機搜尋（隨機抽）、貝氏最佳化（根據前面結果猜下一組）。Google Cloud 上預設用貝氏最佳化。

非監督式學習有標籤嗎？

沒有。非監督式學習只有特徵、沒有標籤，模型要自己從資料裡找規律，例如把會員自動分成幾群。有標籤的是監督式學習，分類和迴歸都屬於這一類。

特徵越多越好嗎？

不一定。沒用的特徵會干擾模型、拖慢訓練、增加成本，還可能讓模型死背訓練資料（過度擬合）。更要小心的是把答案偷偷混進特徵，造成資料洩漏。挑出真正有用的特徵，叫做特徵選擇。

Vertex AI 的超參數調整現在叫什麼？

Vertex AI 在 2026 年 4 月 22 日改名為 Gemini Enterprise Agent Platform（簡稱 Agent Platform）。超參數調整屬於訓練功能，Vertex AI Training 現在叫 Gemini Enterprise Agent Platform Managed Training，功能是延續的。

重點整理

樣本是一列資料；特徵是拿來判斷的線索；標籤是正確答案。訓練用有標籤的樣本，預測用沒標籤的樣本
參數（權重、偏差）是模型自己學的；超參數（學習率、批次大小、訓練輪數）是人在訓練前設定的
學習率太大會衝過頭、亂跳不收斂；太小會學很慢
超參數調整是自動試多組設定挑最好的；組合數會相乘爆炸，所以常用貝氏最佳化（Google Cloud 預設）
BigQuery ML 裡：input_label_cols 指定標籤、SELECT 的其他欄是特徵、OPTIONS 裡的 learn_rate 等是超參數；Vertex AI 已改名為 Gemini Enterprise Agent Platform

東東 GCP 教學 - GCP 實戰講師

特徵、標籤、超參數是什麼？機器學習 5 個必懂名詞

為什麼你需要知道

先看全貌：一張表看懂 5 個名詞

名詞 1：樣本（Example）

白話是什麼

比喻

來龍去脈

為什麼要學

名詞 2：特徵（Feature）

白話是什麼

比喻

來龍去脈

特徵的兩種樣子

為什麼要學

名詞 3：標籤（Label）

白話是什麼

比喻

來龍去脈

為什麼要學

名詞 4：參數（Parameter）

白話是什麼

比喻

來龍去脈

算一次給你看

為什麼要學

名詞 5：超參數（Hyperparameter）

白話是什麼

比喻

來龍去脈

常見的超參數

算一次給你看 1：學習率設多少，差很多

算一次給你看 2：批次大小和訓練輪數

參數 vs 超參數：一張表比完

超參數調整：怎麼找到最好的設定

在 GCP 上怎麼做

1. BigQuery ML：一段 SQL 看到 5 個名詞

2. BigQuery ML 的超參數調整

3. Agent Platform 上的超參數調整（原 Vertex AI）

考試會怎麼考

看到這些字，就想到這個

三個常見陷阱

練習情境（自己出的練習，不是真實考題）

常見問答

特徵和標籤差在哪？

參數和超參數差在哪？

學習率要設多少？

超參數調整是什麼？

非監督式學習有標籤嗎？

特徵越多越好嗎？

Vertex AI 的超參數調整現在叫什麼？

重點整理

延伸閱讀

Table of Contents

東東 GCP 教學 - GCP 實戰講師