真实值 Ground Truth 是什么？用来检验模型对错的标准答案

真实值（Ground Truth）是一个相对的概念，指的是作为基准的、通过已有的可靠测量方式得到的测量值，用来与新的测量方式所得的结果进行比较。机器学习领域借用了这一概念：用训练得到的模型对样本做出预测后，需要一个可靠的“正确答案”来检验预测是否准确，这个正确答案就是真实值。中文里也常译为“地面真值”“真实标签”或“标准答案”。

名字的来历

这个词最早来自遥感和测绘领域：用卫星或飞机从高空拍摄地面的图像，再根据图像判断地面上是什么，比如这片区域是森林、农田还是水体。但遥感图像的判读可能有误差，于是研究人员会派人到实地去“地面”勘察，记录真实的情况，用这些实地调查的结果来检验和校正遥感判读的准确性。这种实地获取的、可靠的数据，就被称为“地面真值”。后来，这个说法被推广到了很多领域，泛指用作参照标准的真实数据。

在机器学习中的作用

训练模型：在监督学习中，模型需要从带有真实值的数据中学习。比如训练一个识别猫狗的模型，就需要大量标注好“这是猫”“这是狗”的图片，这些标注就是真实值。模型通过不断比较自己的预测和真实值之间的差距来调整自己。评估模型：在测试模型时，把模型的预测结果和测试数据的真实值进行比较，才能计算出准确率、精确率、召回率等指标，判断模型的好坏。

不同任务的真实值形式不同：图像分类中是类别标签；目标检测中是物体的类别和边界框的位置；图像分割中是每个像素所属的类别；语音识别中是音频对应的准确文字；机器翻译中是人工翻译的参考译文；天气预报中则是后来实际观测到的天气。

真实值并不总是“绝对真实”

需要注意的是，机器学习中的真实值往往是“相对”可靠的标准，而不是绝对正确的真理。很多真实值来自人工标注，标注员会犯错，不同的人对同一个样本也可能有不同的判断，研究发现即使是著名的基准数据集中也存在一定比例的标注错误。有些任务本身就没有唯一的标准答案，比如一段文字的情感、一篇文章的摘要、一句话的翻译，“真实值”只是众多合理答案中的一个。在医学等领域，有时连专家之间都会存在分歧。因此，在使用真实值时，要关注它的来源和可靠性：真实值的质量，直接决定了模型能学到什么，也决定了评测结果是否可信。