머신러닝/AI에서 사용되는 "Ground Truth" 뜻

머신러닝에 관련한 글을 읽다보면 "ground-truth"라는 용어를 많이 접하게 된다.
"ground-truth"는 기상학에서 유래하였으며, 어느 한 장소에서 수집된 정보를 의미하는 용어로 사용되었다고 한다.

 

그렇다면 machine learning/AI의 문맥에서 사용되는 "ground-truth"의 뜻은 무엇인가.

반응형

What is ground truth?

Ground truth isn't true. It's an ideal expected result. It might involve hand-labeling example datapoints to collect desirable answer data for training your system.
For example, a set of images might be painstakingly hand-labeled as cat or not-cat according to the opinions of whoever was in charge of the project and those cat/not-cat labels will be called "ground truth" for the project.

cited : towardsdatascience.com/in-ai-the-objective-is-subjective-4614795d179b

처음에 나는 "ground-truth"이 "label"과 같은 의미인 것 같은데 왜 "label"이라고 안하고 "ground-truth"라고 하지? 생각했었다.ㅎ
결론적으로, "ground-truth"과 "label"은 같은 의미로 쓰이는 것이 아니다. 명확하게 말하면 둘은 같지 않다.

 

"label"은 정답지라고도 불리듯이 답이 명확하게 정해져 있는 값이다.

 

"ground-truth"은 '우리가 정한 정답', '우리의 모델이 우리가 원하는 답으로 예측해주길 바라는 답'이다.
예를 들어, 아래 사진이 모델을 훈련시킬 데이터로 사용된다고 해보자. 사진은 고양이 분장을 한 사람이다. 이 사진에 대한 label, 즉 정답은 없다. 사람인 것도, 고양인 것도 아니다. 하지만 우리는 우리의 분류모델이 이를 '고양이'로 분류하길 원한다. 그리하여 이 데이터에 대한 "ground-truth" 값은 우리가 원하는 답인 '고양이'가 된다.

출처 : Movie 'Cats'