Label — supervised machine learningda model bashorat qilishi kerak bo‘lgan to‘g‘ri javob, category, qiymat yoki target ma’lumot. Datasetdagi har sample input featurelari bilan birga bitta yoki bir nechta labelga ega bo‘lishi mumkin. Label training vaqtida model outputi bilan solishtirilib loss hisoblash uchun ishlatiladi.
Masalan, email sample uchun spam yoki spam emas, uy sample uchun narx, rasm uchun object classi label bo‘lishi mumkin.
Classification label
Classificationda label oldindan belgilangan classlardan biri.
Misollar:
positive;negative;cat;dog;fraud;normal.
Model har class uchun score yoki probability chiqaradi.
Yakuniy prediction eng yuqori score yoki threshold asosida tanlanadi.
Regression target
Regressionda label sonli continuous qiymat.
Masalan:
- narx;
- harorat;
- talab;
- davomiylik;
- risk score.
Bunday label ko‘pincha target deb ataladi.
Loss MSE, MAE yoki vazifaga mos boshqa formula bilan hisoblanadi.
Multi-class
Har sample faqat bitta classga tegishli:
red | green | blue
Label integer ID yoki one-hot vector sifatida ifodalanishi mumkin.
Class IDning numeric tartibi semantik ranking bermaydi.
Multi-label
Bitta sample bir nechta labelga ega:
["python", "backend", "database"]
Har label mustaqil binary target sifatida qaralishi mumkin.
Outputda sigmoid va har class uchun threshold ishlatiladi.
Softmax odatda classlar o‘zaro exclusive bo‘lganda mos.
Binary label
Ikki holat:
0 yoki 1
Misollar:
- churn;
- fraud;
- active;
- defect.
Positive class qaysi biri ekani aniq belgilanadi.
Class imbalance bo‘lsa faqat accuracy noto‘g‘ri tasavvur berishi mumkin.
One-hot encoding
Class ID vectorga aylantiriladi:
class 2 → [0, 0, 1, 0]
Cross-entropy implementation integer labelni bevosita qabul qilishi mumkin.
One-hot memoryni ko‘proq egallaydi.
Label smoothing one-hot targetni yumshatadi.
Soft label
Label faqat 0 yoki 1 emas, probability distribution bo‘lishi mumkin.
Masalan:
cat 0.8
tiger 0.15
dog 0.05
Soft label distillation, annotator disagreement va uncertainty’ni ifodalashda ishlatiladi.
Label source
Label quyidagilardan kelishi mumkin:
- inson annotatori;
- sensor;
- business event;
- rule;
- database status;
- expert;
- boshqa model;
- synthetic generator.
Source reliability va lineage saqlanadi.
Har label “ground truth” darajasida ishonchli emas.
Human annotation
Annotatorga aniq guideline, misol va boundary case beriladi.
Bir sample’ni bir nechta inson belgilashi mumkin.
- Cohen’s kappa;
- Fleiss’ kappa;
- oddiy agreement
bilan baholanadi.
Kelishmovchilik taskning noaniqligini ko‘rsatishi mumkin.
Gold label
Expert yoki qat’iy tekshiruv bilan tasdiqlangan yuqori sifatli label gold label deb ataladi.
U evaluation va annotator sifatini tekshirishda ishlatiladi.
Gold dataset kichik bo‘lsa ham juda toza bo‘lishi muhim.
Weak label
Qoidalar, heuristic yoki noisy source orqali avtomatik olingan label.
Masalan, keywordga qarab sentiment.
Weak supervision katta dataset yaratadi.
Label xatosi modelga o‘tmasligi uchun source accuracy va conflict hisobga olinadi.
Noisy label
Noto‘g‘ri label sabablar:
- annotator xatosi;
- ambiguous sample;
- data update;
- sensor nosozligi;
- mapping xatosi;
- leakage;
- stale status.
Neural model katta capacity bilan noisy labelni ham yodlab qolishi mumkin.
Label imbalance
Ayrim classlar juda ko‘p, boshqalari kam.
Masalan:
normal 99%
fraud 1%
Model hamma sample’ni normal desa accuracy yuqori chiqadi.
Class weight, resampling, focal loss va mos metric ishlatiladi.
Label encoding
String label training pipeline’da integerga map qilinadi:
active → 0
blocked → 1
pending → 2
Mapping model artifact bilan saqlanadi.
Inference’da boshqa mapping ishlatilsa prediction noto‘g‘ri talqin qilinadi.
Missing label
Ba’zi sample labelga ega emas.
Ular:
- supervised trainingdan chiqariladi;
- semi-supervised usulda ishlatiladi;
- pseudo-label oladi;
- annotation navbatiga tushadi.
Missing labelni avtomatik negative deb qabul qilish xato.
Label leakage
Targetning o‘zi yoki uning keyingi natijasi feature ichiga kirsa model sun’iy yuqori natija beradi.
Masalan, fraud labeldan keyin qo‘yilgan account_blocked fieldi.
Feature vaqt nuqtasi label yaratilishidan oldingi holatga mos bo‘ladi.
Temporal label
Forecasting yoki churn vazifasida label kelajak window’dan yaratiladi.
Masalan:
keyingi 30 kunda churn qiladimi
Observation window va label window bir-birini kesmasligi kerak.
Cutoff barcha sample uchun aniq.
Pseudo-label
Model unlabeled data uchun o‘z predictionini label sifatida beradi.
Faqat yuqori confidence samplelar tanlanishi mumkin.
Pseudo-label xatosi keyingi trainingda kuchayishi ehtimoli bor.
Teacher-student va consistency usullari ishlatiladi.
Label versioni
Business definition o‘zgarsa label ham versionlanadi.
Masalan, “active user” oldin 30 kun, keyin 14 kun ichidagi faoliyat bilan aniqlanishi mumkin.
Turli version datasetlarini aralashtirish targetni noaniq qiladi.
Evaluation label
Test label trainingdan mustaqil va yuqori sifatli bo‘ladi.
Model predictionini tekshirish uchun label modelga ko‘rsatilmaydi.
Evaluation setdagi label xatosi modelni noto‘g‘ri baholaydi.
Annotation workflow
Labeling jarayoni task yaratish, annotatorga taqsimlash, review, conflict resolution va final approval bosqichlariga bo‘linadi. Har o‘zgarish kim tomonidan va qachon kiritilgani audit qilinadi. Annotation tool guideline va reference misollarni ayni ekranda ko‘rsatishi mumkin.
Adjudication
Ikki annotator kelisha olmasa expert yoki uchinchi annotator yakuniy qaror beradi. Adjudication faqat labelni emas, guideline’dagi noaniq joyni ham aniqlaydi. Takroriy conflictlar rubric yangilanishiga sabab bo‘ladi.
Label latency
Fraud, churn yoki qaytarish kabi label hodisadan ancha keyin ma’lum bo‘ladi. Model monitoringida “label hali kelmagan” sample noto‘g‘ri negative deb hisoblanmaydi. Evaluation window label maturity’ni kutadi.
Bog‘liq tushunchalar
Label, Target, Classification, Regression, Annotation, Ground truth, Multi-label classification, Noisy label, Pseudo-label, Weak supervision