Ground truth的含义

在机器学习中，术语”ground truth”指的是用于有监督训练的训练集的分类准确性，主要用于统计模型中验证或推翻某种研究假设。术语也指收集准确客观的数据用于验证的过程。

训练集中的不准确性总是和训练结果集中的不准确性是关联的。

 

机器学习包括有监督学习(supervisedlearning)，无监督学习(unsupervised learning)，和半监督学习（semi-supervisedlearning）.

在*有监督学习中，数据是有标注的，以(x, t)的形式出现，其中x是输入数据，t是标注.正确的t标注是ground truth，错误的标记则不是。（也有人将所有标注数据都叫做ground truth）

由模型函数的数据则是由(x, y)的形式出现的。其中x为之前的输入数据，y为模型预测的值。

标注会和模型预测的结果作比较。在损耗函数(loss function / error function)中会将y 和 t 作比较，从而计算损耗(loss/ error)。比如在最小方差中：

因此如果标注数据不是groundtruth，那么loss的计算将会产生误差，从而影响到模型质量。

1. 错误的数据

标注数据1 ( (84,62,86) ,1)，其中x =(84,62,86), t = 1 。 
标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = 1 。
这里标注数据1是ground truth，而标注数据2不是。
预测数据1 y = -1
预测数据2 y = -1

 

 

2. 正确的数据

标注数据1 ( (84,62,86) ,1)，其中x =(84,62,86), t = 1 。 
标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = -1 。 （改为ground truth）
这里标注数据1和2都是ground truth。
预测数据1 y = -1
预测数据2 y = -1

由于使用错误的数据，对模型的估计比实际要糟糕。另外，标记数据还被用来更新权重，错误标记的数据会导致权重更新错误。因此使用高质量的数据是很有必要的。
* 在半监督学习中，对标记数据也要进行比较