机器学习中的ground truth

ground truth就是参考标准，一般用来做误差量化。比方说要根据历史数据预测某一时间的温度，ground truth就是那个时间的真实温度。error就是(predicted temperature - real temprature)。

在全监督学习中，数据是有标签（label）的的，以(x, t)的形式出现，其中x是输入数据，t是label。正确的t标签是ground truth，错误的标签则不是。

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。在损耗函数中会将y 和 t 作比较，从而计算损耗（量化预测值与真实值的差别）。比如在最小方差中：

$\frac{1}{2m} \sum_{i=1}^{m} (y - t)^2$

因此如果预测标签不是ground truth，那么loss的计算将会产生误差，从而影响到模型质量。