Ground Truth (englisch für Grundwahrheit) bezeichnet im maschinellen Lernen die tatsächlichen, korrekten Zielwerte eines Datensatzes. Sie ist die Referenz, gegen die ein Modell seine Vorhersagen bewertet: Beim Training fließt sie in die Fehlerberechnung ein, bei der Evaluation zeigt sie, wie gut das Modell wirklich ist.
Ground Truth im Trainingsprozess
In der Loss-Funktion wird die Vorhersage des Modells mit der Ground Truth verglichen – der Abstand zwischen beiden ist der Fehler, den das Training minimiert. Für die Bewertung dienen Testdaten mit bekannter Ground Truth: Erst der Vergleich auf diesen ungesehenen Daten zeigt, ob ein Modell generalisiert.
Woher kommt die Ground Truth?
Die Ground Truth entsteht durch sorgfältige Datenannotation: Fachleute vergeben Labels, die den wahren Zustand der Welt abbilden sollen. In der Praxis ist sie selten perfekt – Annotator-Unstimmigkeiten, Messrauschen oder subjektive Urteile bringen Fehler ein. Bei Crowdsourcing nähert man sich der Ground Truth oft über ein Mehrheitsvotum mehrerer Beschrifter an.
Domänenspezifische Ground Truth
In der Medizin gilt der Befund erfahrener Experten als Ground Truth, in der Robotik präzise Sensormessungen. Je besser die Ground Truth, desto verlässlicher die Aussage über die Modellqualität – denn jede Bewertung ist nur so gut wie die Referenz, mit der sie verglichen wird. Auch die Auswahl des Modells über Validierungsdaten stützt sich auf diese Grundwahrheit.
Verwandte Grundlagen: Maschinelles Lernen.