35. 某電商平台希望預測商品的退貨機率，以協助降低營運風險。若模型使 用的輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，而模型的輸出為是否退貨(是/否)。請問在此模型中，「是否退貨」應歸類為下列哪 一類變數？
(A) 特徵(Feature)
(B) 標籤(Label / Target)
(C) 超參數(Hyperparameter)
(D) 正則化係數(Regularization Coefficient)

1. 核心考點：特徵 (Feature) vs. 標籤 (Label/Target)

在監督式學習中，資料通常分為「輸入」與「輸出」兩大部分：

• 輸入 (Input)：用來預測的資訊，稱為特徵。

• 輸出 (Output)：想要預測的答案或結果，稱為標籤。

2. 逐項解析

• ✅ (B) 標籤 (Label / Target)：

  • 原因：題目明確指出「是否退貨」是模型的輸出結果，也就是我們要模型學會預測的「目標答案」。在監督式學習的訓練資料集中，這就是 Label。

• ❌ (A) 特徵 (Feature)：

  • 原因：題目中的「商品售價」、「顧客年齡」、「運送天數」才是特徵。它們是提供給模型參考的因果資訊，而非預測目標。

• ❌ (C) 超參數 (Hyperparameter)：

  • 原因：超參數是「在訓練開始前」由人為設定的模型參數（例如：學習率、樹的深度、神經網路層數），並非資料集中的變數欄位。

• ❌ (D) 正則化係數 (Regularization Coefficient)：

  • 原因：這是一種特定的超參數，用來防止模型過擬合（Overfitting），與題目要求的變數分類無關。

? 重點整理：考試快速判斷法

• 看「輸入」 $\rightarrow$ 就是 Feature（特徵 / 自變數）。

• 看「輸出/預測目標」 $\rightarrow$ 就是 Label（標籤 / 應變數）。