在机器学习的背景下，我看到了“地面实况”一词的使用频率很高。我进行了很多搜索，并在Wikipedia中找到了以下定义：
在机器学习中，术语“ground truth”是指训练集分类的监督学习技术的准确性。这在统计模型中用于证明或反驳研究假设。术语“ground truthing”是指为该测试收集适当的客观（可证明）数据的过程。与黄金标准进行比较。
贝叶斯垃圾邮件过滤是监督学习的一个常见例子。在这个系统中，算法被手动教导垃圾邮件和非垃圾邮件之间的区别。这取决于用于训练算法的消息的基本事实 - 基本事实中的不准确将与生成的垃圾邮件/非垃圾邮件判决中的不准确相关。
关键是我真的无法理解这意味着什么。是用于每个数据对象的标签还是为每个数据对象提供标签的目标函数，或者其他什么？
基本事实是您为训练和测试示例的目标变量测量的结果。
几乎所有时候，您都可以安全地将其视为标签。
在某些情况下，它与标签并不完全相同。例如，如果您扩充您的数据集，则基本事实（您的实际测量值）与扩充示例与您分配的标签的关系之间存在细微差别。但是，这种区别通常不是问题。
基本事实可能是错误的。这是一个测量值，其中可能存在错误。在某些 ML 场景中，它也可能是一种主观测量，很难定义潜在的客观事实——例如，您希望将其自动化的专家意见或分析。您训练的任何 ML 模型都将受到用于训练和测试它的基本事实质量的限制，这是 Wikipedia 引文中解释的一部分。这也是为什么已发表的有关 ML 的文章应包含对数据收集方式的完整描述。
基本事实：这就是您希望模型预测的现实。
它可能有一些噪音，但您希望您的模型能够学习导致此基本事实的数据中的潜在模式。实际上，您的模型将永远无法预测基本事实，因为基本事实也会有一些噪音，并且没有模型可以提供百分百的准确度，但您希望您的模型尽可能接近。
这是一个简化的解释：Ground Truth 是统计和机器学习中使用的一个术语，意思是检查机器学习结果与现实世界的准确性。该术语是从气象学中借用的，其中“地面真相”是指现场获得的信息。
您如何获得基本事实：许多选项，但通常人类会评估每个场景并为其赋予正确的标签。例如，您可以将一组图像上传到trainingset.ai，给它们贴上标签（汽车在哪里，行人在哪里等等），这将是您评估或训练 AI 算法的基本事实。