حقيقة أساسية

الإحصاء وتعلم الآلة

وفي هذا الصدد، في مجالات الإحصاء وتعلم الآلة، يُستعمل مصطلح "الحقيقة الأساسية" لوصف النتيجة المثالية المتوقعة من النموذج. ويُعد جمع بيانات الحقيقة الأساسية أمراً جوهرياً لاختبار الفرضيات البحثية وتدريب الخوارزميات.

كذلك، التعلم تحت الإشراف: في أنظمة مثل تصفية البريد المزعج، تدرس الخوارزمية عينات يدوية صنفها البشر كـ "بريد مزعج" أو "بريد آمن". هذه العينات اليدوية هي "الحقيقة الأساسية" التي يتعلم منها النظام.

في هذا الإطار، رؤية الحاسوب: عند اختبار نظام رؤية ستيريو لتقدير الأبعاد الثلاثية، تُقارن نتائج النظام بقياسات ليزر دقيقة جداً؛ وتُعتبر قياسات الليزر هنا هي "الحقيقة الأساسية".

الاستشعار عن بعد

علاوةً على ذلك، تحديد الدقة: مقارنة إحداثيات الموقع الملتقطة بواسطة نظام الـ GPS بالإحداثيات التي يظهرها برنامج التحليل لتقليل أخطاء الموقع.

ومن ناحية أخرى، المعايرة: ربط البكسلات في الصور الجوية بالميزات الفعلية على الأرض (مثل الغطاء النباتي أو المباني).

في هذا الإطار، في مجال الاستشعار عن بعد، تشير الحقيقة الأساسية إلى البيانات التي يتم جمعها مباشرة من الموقع الميداني لمقارنتها ببيانات الصور الملتقطة عبر الأقمار الصناعية أو الطائرات.

تسمح هذه العملية بـ:

إضافةً إلى ذلك، التصنيف الخاضع للإشراف: استخدام "مواقع التدريب" المعروفة هويتها وموقعها مسبقاً لتعليم البرنامج كيفية تصنيف بقية الصورة.

مصفوفة الخطأ

إضافةً إلى ذلك، أخطاء العمولة (Commission Errors): عندما يصنف النظام بكسلاً على أنه ميزة معينة (مثل شجرة) وهي غير موجودة في الواقع.

ومن جهة أخرى، تساعد الحقيقة الأساسية في بناء مصفوفة الخطأ التي تحدد نوعين من الأخطاء:

وعلى صعيد آخر، أخطاء الإغفال (Omission Errors): عندما يفشل النظام في تصنيف ميزة موجودة فعلياً في الواقع.