グラウンドトゥルースとは

Machine Learningのコンテキストでは、Ground Truthという用語が頻繁に使用されるのを見てきました。私はよく検索して、ウィキペディアで次の定義を見つけました。

機械学習では、「グラウンドトゥルース」という用語は、教師あり学習手法に対するトレーニングセットの分類の精度を指します。これは、研究仮説を証明または反証するために統計モデルで使用されます。「グラウンドトゥルースティング」という用語は、このテストの適切な客観的（証明可能な）データを収集するプロセスを指します。ゴールドスタンダードと比較してください。

ベイジアンスパムフィルタリングは、教師あり学習の一般的な例です。このシステムでは、アルゴリズムはスパムと非スパムの違いを手動で学習します。これは、アルゴリズムのトレーニングに使用されるメッセージのグラウンドトゥルースに依存します。グラウンドトゥルースの不正確さは、結果として生じるスパム/非スパム判定の不正確さと相関します。

ポイントは、私が本当にそれが意味するものを得ることができないということです。ことで、ラベルがそれぞれに使用データオブジェクトまたはターゲット関数それぞれにラベルを与え、データオブジェクト、または多分何か他のもの？

グラウンドトゥルースは、トレーニングおよびテストの例でターゲット変数について測定したものです。

ほとんど常に、これをラベルと同じように安全に扱うことができます。

場合によっては、ラベルとまったく同じではありません。たとえば、データセットを拡張する場合、グランドトゥルース（実際の測定値）と拡張された例が割り当てたラベルにどのように関連するかには微妙な違いがあります。ただし、この区別は通常問題ではありません。

グラウンドトゥルースは間違っている可能性があります。これは測定値であり、エラーがある場合があります。一部のMLシナリオでは、基礎となる客観的な真実を定義するのが難しい主観的な測定も可能です。たとえば、専門家の意見や分析など、自動化を望んでいます。トレーニングするMLモデルは、トレーニングとテストに使用されるグラウンドトゥルースの品質によって制限されます。これは、Wikipediaの引用の説明の一部です。また、MLについて公開されている記事に、データの収集方法の完全な説明を含める必要があるのもこのためです。

グラウンドトゥルース：それが、モデルに予測させたい現実です。

ノイズがあるかもしれませんが、このグラウンドトゥルースの原因となっているデータの基になるパターンをモデルに学習させたいと思います。実際には、グラウンドトゥルースにもノイズがあり、100％の精度が得られるモデルはないため、モデルはグラウンドトゥルースを予測することはできませんが、可能な限りモデルを近づけたいと考えています。