Datensplits

Datensplits bezeichnet das Aufteilen eines Datensatzes in mehrere Teilmengen, um Modelle zu trainieren, zu abstimmen und zu evaluieren. Typische Split-Schemata sind der Holdout-Ansatz mit Trainings-, Validierungs- und Testmenge oder einfache Train-Test-Splits. Oft werden Verhältnisse wie 70/15/15 oder 80/10/10 verwendet; zusätzlich kann eine Stratifikation nach Klassen erfolgen, um unausgeglichene Verteilungen auszugleichen. Zur robusteren Leistungsabschätzung werden häufig K-Fold-Kreuzvalidierung oder wiederholte Kreuzvalidierung eingesetzt, bei denen der Datensatz in K Teilmengen aufgeteilt wird und jeweils eine Teilmenge zum Testen dient, während die restlichen zu Training verwendet werden.

Bei zeitbasierten Daten erfolgt die Aufteilung zeitlich konsistent, zum Beispiel mit Rolling- oder Forward-Chaining-Splits, sodass frühere Daten zum Training dienen und spätere Daten zum Testen verwendet werden, um reale zukünftige Leistung abzubilden. Wichtige Überlegungen betreffen die Vermeidung von Datenleck (data leakage), die Repräsentation der Zielverteilung (zum Beispiel durch Stratifikation bei ungleichen Klassen) sowie die Reihenfolge der Preprocessing-Schritte: Skalierung oder Transformationen sollten nur auf Trainingsdaten angepasst und dann auf alle Split angewendet werden, um Verzerrungen zu verhindern. Die Wahl des Split-Ansatzes hängt von Datengröße, Typ der Aufgabe und gewünschter Validierung ab. Datensplits ermöglichen eine faire Leistungsbewertung und dienen als Grundlage für Hyperparameter-Tuning, Modellvergleiche und Reproduzierbarkeit.