机器学习中ground truth的解释

作者：lee philip
链接：https://www.zhihu.com/question/22464082/answer/21443035
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

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

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ground truth，那么loss的计算将会产生误差，从而影响到模型质量。

比如输入三维，判断是否性感：

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