要确定数据集中的特征和标签，首先需要明确机器学习任务的目标。特征是用于预测结果的输入变量，而标签（或目标）是您想要预测的输出变量。例如，在预测房价的数据集中，特征可能包括房屋面积、卧室数量和位置，而标签则是房价本身。关键区别在于，特征描述了数据的特性，而标签代表了您试图学习或预测的值。
处理结构化数据时，特征通常是表中的列。要识别它们，可以问自己：“哪些列描述了可能影响结果的属性？”另一方面，标签通常是一个明确标记为目标的单列。例如，在预测糖尿病风险的医疗数据集中，特征可能包括年龄、血糖水平和 BMI，而标签将是一个表示是否诊断出糖尿病的二元指标（1 或 0）。如果您的数据集没有明确的目标列，您可能需要更精确地定义问题——例如，确定是预测类别（分类）还是数值（回归）。
在实践中，数据预处理步骤，例如删除不相关的列或处理缺失值，可以帮助明确哪些数据点是特征。例如，一个客户流失数据集可能包含“客户 ID”或“交易时间戳”等列，这些列并不直接影响流失——应将其排除在特征之外。Python 中的 pandas 等工具可以帮助分离特征（X = df.drop('label_column', axis=1)）和标签（y = df['label_column']）。始终通过测试特征是否与标签存在逻辑关系以及排除某些数据是否能提高模型性能来验证您的选择。