术语“ground truth”是在地质/地球科学中创造的，用于描述通过实地考察并检查“实地”来验证数据。它已在其他领域被采用来表达“已知”为正确的数据的概念。以我个人的经验，它被广泛用于生物识别和计算机视觉。“ground truth error”一词也被广泛使用，说明了我们“知道”并不总是正确的事实。

看

@article {Dictionary.com2015, title = {Dictionary.com's 21st Century Lexicon}, 月 = {Aug}, 日 = {18}, 年 = {2015}, url = { http://dictionary.reference.com/browse /基本事实}, }

在线定义。

请参阅@book{krig2014computer, title={Computer Vision Metrics: Survey, Taxonomy, and Analysis}, author={Krig, Scott}, year={2014}, publisher={Apress} } 第 7 章，“Ground Truth Data, Content , Metrics and Analysis”，用于讨论计算机视觉中的基本事实——以印刷和电子书格式提供。

thegroundtruthproject.org 上有一个有趣的博客

NASA 有一个术语表，其中包括基本事实——参见 http://podaac.jpl.nasa.gov/Glossary

在大多数情况下，它被用作“真正的”，例如Python 中的scikit，具有特定示例，例如图像识别，例如 Nunez-Iglesias 等。PLOS One，字符识别Luis von Ahn 等人。科学。

但是，“真实”与固定值的接近程度可能取决于输入的复杂性以及“参考数据是否可能不如正在评估的识别系统准确” Lopresti 和 Nagy以及对地面真实问题的搜索可能会产生进一步的结果例如这个符号识别的概述。（而假设与验证将主要指特定的假设/实施。）

这不完全是一个定义，而是 IBM 的 James Kobielus 对机器学习中基本事实的简短、细致的描述：http: //www.ibmbigdatahub.com/blog/ground-truth-agile-machine-learning

在机器学习中，我将基本事实称为人类定义的真理或外部真理，而不是认识论的真理或实际的真理。基本事实是监督机器学习的基础。

意思是“根据”假设“。假定为接地，作为电气系统中唯一的参考电压。该术语被从电气工程师继承的从事机器学习的计算机科学家采用。