核心要点
特征（Feature）：用来描述一个样本的输入变量，是模型用来做判断的「线索」。
标签（Label）：我们希望模型预测的目标答案，是训练数据里的「标准答案」。
一个样本通常包含多个特征和一个标签，模型学习的就是「特征→标签」的关系。
有标签的数据用于监督学习；预测时只有特征、没有标签，标签由模型给出。
标准回答
用买房举例
假设要预测房价。一套房子的面积、楼层、地段、房龄这些用来描述它的信息，就是特征；这套房子最终的成交价格，就是标签。
特征是「输入线索」
特征是喂给模型的输入，相当于让模型「看到」的信息。特征选得好不好，直接影响模型能不能学准——比如预测房价时，面积是个很有用的特征，而「业主的星座」基本没用。
标签是「要预测的答案」
标签是训练时告诉模型的标准答案。模型反复对比自己的预测和真实标签，逐步学会从特征推断标签的规律。等到预测新房子时，我们只给它特征（面积、楼层等），没有标签，让模型自己算出预测的房价。
常见误区
⚠️ 常见踩坑
初学者容易把特征和标签搞反。记住：特征是「已知的输入」，标签是「想预测的目标」。同一份数据里某列是特征还是标签，取决于你的任务目标。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。