二类语料 600 条，按 0% 到 40% 的比例随机翻错标签：测试准确率从 0.920 走到 0.800， 中间 10% 那档甚至略升到 0.927。真正开始伤是 20% 之后——0.900、0.847、0.800 一路往下。
前六章讲算法和 NLP。从这一章起换到训练师的日常：喂给模型的数据是怎么来的。 这一节先回答「标注凭什么重要」。
一、标注是什么
标注就是给原始数据贴标签：这张图里有几辆车、这句话是夸还是骂、这段录音说的是哪几个字。 它干的事是把「人能看懂的东西」翻译成「机器能算的东西」。 没有这一步，再多的图、再多的文本，对模型来说都只是字节。 所以有一句话在行业里流传很广：数据决定上限，模型决定离上限多近。标注就是唯一能改上限的环节。 模型调参调到天亮，通常只能挪一两个点；标注质量从 80% 提到 95%，经常能挪十个点。这就是投入产出比。
二、标错了会掉多少
Demo 造了 600 条二类数据，把标签按比例随机翻错，再训练同一个模型。 错误率 0% 到 10%：测试准确率 0.920 → 0.920 → 0.927。几乎没掉，中间那档还略高。 错误率 20% 到 40%：0.900 → 0.847 → 0.800。一路往下。 为什么前 10% 不疼？因为少量随机翻错的标签相当于给模型加了噪声，反而阻止它死记硬背边界。 这叫「标签噪声的正则化效应」，在文献里被反复观察到。 但别把这个当借口。噪声是「随机翻错」才温和； 真实标注错误往往是系统性的——某个人把「路灯」全标成「监控杆」，那就不是噪声，是污染。
三、系统性错误比随机错误可怕得多
随机错误每条数据都错得不一样，模型能从多数里学到对的方向。 系统性错误是同一个方向错到底，模型会把它当成真理学进去，而且学得很自信。 更麻烦的是它不容易被发现：整批数据内部一致，交叉验证也查不出来。只有拿真实场景一跑，才发现全线崩。 所以标注管理里最重要的一条不是「标得准」，是口径统一。 同一批数据由一个人标完，比五个人各标一部分更可靠。 必须多人分标的时候，得先对齐规范、做重叠抽样、算一致性。这些是下一节和 7.1.3 要讲的内容。
四、这一节的边界
Demo 用的是合成数据、二类任务、逻辑回归。它说明的是趋势，不是具体数字。 真实项目里，错误率对应的准确率下降还跟任务难度、类别数、模型容量有关。 多类任务比二类更怕错标，因为错标会跨类污染。 所以这张表不能拿去当验收标准。它的用处是让人有个数量感：「错一成」不是小事，「错三成」等于白干。
五、动手 Demo：标注错误率与模型准确率的关系
造 600 条 8 维二类样本，450 条训练、150 条测试，测试集标签始终干净； 按 0%、5%、10%、20%、30%、40% 的比例随机翻转训练集标签； 每档都训一个逻辑回归，打出训练集和测试集准确率。
mask = rg.random(len(y)) < rate
y_noisy = y.copy()
y_noisy[mask] = 1 - y_noisy[mask] # 随机翻标签
w, b = fit(X[tr], y_noisy[tr].astype(float))
acc_te = H.acc((sigmoid(X[te] @ w + b) > 0.5).astype(int), y[te])
实跑输出：
--------------------------------------------------------------------
标错了会怎样：标注错误率与模型准确率
--------------------------------------------------------------------
样本总数 600（二类各半，8 维）
训练 / 测试 450 / 150，测试集标签始终干净
学习率 / 轮数 0.30 / 400
标注错误率 训练集被翻的条数 训练集准确率 测试集准确率
----------------------------------------------------------
0% 0 0.913 0.920
5% 24 0.860 0.920
10% 56 0.804 0.927
20% 99 0.740 0.900
30% 136 0.640 0.847
40% 195 0.569 0.800
0% 到 10% 测试准确率 0.920 → 0.927
0% 到 40% 测试准确率 0.920 → 0.800
绝对下降 0.120
第一行说明一件事：错误率 0% 时训练集准确率也不是 1.000，因为这两类本来就有重叠，天生分不到满分。
再看前 10 个百分点：几乎没掉，中间那档甚至略高一点——少量标签噪声在这里起了点正则作用，把模型从「死记边界」推回了「看大方向」。
真正开始伤是 20% 之后：0.900、0.847、0.800，一路往下。所以质量红线该划在 10% 到 20% 之间，而不是「差不多就行」。
第一行 0% 时训练集准确率只有 0.913，不是 1.000——因为两类分布本来就重叠，线性模型分不到满分。 这一点很重要：训练集不满分不一定是模型不行。 训练集准确率那一列一路掉到 0.569，因为标签被翻了一半，模型连训练集都拟合不了了。 测试集那一列才是真实损失：0.920 → 0.800。 注意它不是随着错误率线性下降，中间有个「不疼」的缓冲段。 「被翻的条数」那一列可以核对：5% 时训练集 450 条里有 24 条被翻，24 除以 450 正好 5.3%。
30 秒实验
- 把错误率扫到 60%，看测试准确率会不会掉到 0.5 以下。
- 改成「系统性翻错」（只翻某一类的标签），看下降曲线和随机翻错差多少。
- 想一想：为什么少量随机标签噪声反而可能提升测试准确率？
常见误区
- 「标注是体力活，不重要」——它决定模型的上限。
- 「错一点没关系，多标点就盖过去了」——错到 20% 之后，多标也救不回来。
- 「随机错和系统性错一样」——系统性错会被模型当成真理学进去。
自测三问（点开对答案）
1. 为什么说标注决定模型的上限？ —— 标签定义了「什么算对」，标签错的方向，模型学得再准也是错的。 2. 为什么 10% 以内的随机标签噪声伤害不大？ —— 它相当于给模型加噪声，阻止死记硬背，起了一点正则作用。 3. 系统性错误为什么比随机错误更危险？ —— 同方向错到底，模型会一致地学错，且批内一致，交叉验证也查不出来。重要性和代价都清楚了。下一节把标注按几何形式分一分，看每种的价钱差多少。
- ☐ （本节完，下一节 7.1.2 数据标注类型：各类标注的区分与应用场景）