机器学习中的 ground truth

维基百科关于 ground truth的解释：【 Ground truth】

大致为：

在统计学和机器学习中：在机器学习中ground truth表示有监督学习的训练集的分类准确性，用于证明或者推翻某个假设。有监督的机器学习会对训练数据打标记，试想一下如果训练标记错误，那么将会对测试数据的预测产生影响，因此这里将那些正确打标记的数据成为ground truth。

以下引用自知乎lee philip的例子example on 知乎

1. 错误的数据

标注数据1 ( (84,62,86) , 1)，其中x =(84,62,86), t = 1 。（正确标记的数据叫做ground truth）
标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = 1 。(这里训练数据标记错误)

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

$Loss = frac{1}{2 imes 2} ((-1-1)^2 + (-1-1)^2) = 2$

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

$Loss = frac{1}{2 imes 2} ((-1-1)^2 + (-1+1)^2) = 1$

或者简单来说就是有效的正确的数据 /标准答案