正解データ（正解ラベル）とは

Ground Truth / 正解ラベル

モデルの予測や生成結果を評価・学習する際に基準とする、正しいとされるデータやラベル

ひとことで言うと

AIの答え合わせに使う「本当の正解」のデータ。学習にもテストにも使われる。

概要

正解データ(Ground Truth)は、機械学習モデルの学習や評価において、モデルの予測・生成結果と比較する基準として用いる、実際に正しいとされるデータやラベルを指す。教師あり学習では、入力データに対応する正解データを人間のアノテーターが付与したり、既存の記録や観測から取得したりすることで訓練データセットを構築する。モデルの評価時には、テストデータに対する正解データとモデルの予測を突き合わせ、精度・適合率・再現率・F1スコアなどの評価指標を計算する。正解データ自体に誤りや偏りが含まれていると、モデルの学習結果や評価結果もその影響を受けるため、正解データの品質はモデル全体の性能を左右する重要な要素となる。

背景

モデルの学習・評価を定量的に行うには、何が正しい出力かを示す基準が必要になる。正解データは、損失関数による誤差計算や評価指標の算出において、モデルの予測と比較する基準として位置づけられる。画像分類のクラスラベルのように明確な正解データが得られる分野もあれば、要約や対話生成のように唯一の正解が存在しないタスクもある。後者では、人間が作成した複数の参照解答を正解データとして扱う場合もある。

ワークフロー

1. 人間のアノテーターや既存の記録から、入力データに対応する正解データを付与しデータセットを構築する。 2. 学習時は、モデルの予測と正解データを損失関数で比較し誤差を計算する。 3. 評価時は、テストデータの正解データとモデルの予測を突き合わせ、精度やF1スコアなどの指標を算出する。

利点

• 明確な正解データがあれば、モデルの予測を客観的な指標で定量的に比較・評価できる
• 教師あり学習において、モデルが最適化すべき目標を明示的に与えられる

欠点

• アノテーターの主観や基準のばらつきにより、正解データ自体に誤りや不一致が生じうる
• 要約・対話生成・創作など唯一の正解が存在しないタスクでは、正解データの用意自体が難しい
• 大規模な正解データの作成には人手によるアノテーションのコストがかかる

比較

• 損失関数 — 損失関数は、モデルの予測と正解データとのずれを数値化して学習の最適化目標とする関数であり、正解データはその計算の基準となる
• F1スコア — F1スコアは、正解データとモデルの予測を突き合わせて計算する評価指標の1つ

関連用語

よくある質問