Trainingsmengen

Trainingsmengen bezeichnet in der Statistik und dem maschinellen Lernen den Teil eines Datensatzes, der zum Trainieren eines Modells verwendet wird. Sie werden getrennt von Validierungs- und Testdaten gehalten und dienen der Anpassung der Modellparameter durch Optimierung auf Eingabe-Ausgabe-Beispiele.

Die Größe und Zusammensetzung der Trainingsmenge beeinflussen Lernverhalten und Generalisierung. Größere Trainingsmengen ermöglichen, komplexe Muster besser zu erfassen, während bei zu kleinen Mengen das Modell overfitting neigt. Die Trainingsmenge sollte repräsentativ für die Zielverteilung sein und Rauschen minimieren; bei unausgewogenen Klassen können Ausgleichsverfahren eingesetzt werden.

Typische Praxis umfasst das Aufteilen des verfügbaren Datensatzes in Trainings-, Validierungs- und Testteil, oft in Kombination mit Kreuzvalidierung (z. B. k-fache Kreuzvalidierung). Bei unausgewogenen Klassen helfen stratified sampling, Resampling-Techniken, oder gewichtete Loss-Funktionen. Datenleckagen zwischen Train- und Testmenge sind zu vermeiden.

Weitere Anforderungen betreffen Datenqualität und Vorverarbeitung: Entfernen von fehlerhaften Labels, Normalisierung, Merkmalsextraktion, sowie ggf. Datenaugmentation, um die Vielfalt der Trainingsmenge zu erhöhen. In adaptiven oder Online-Lern-Szenarien kann die Trainingsmenge kontinuierlich erweitert oder aktualisiert werden.

Bei der Beurteilung der Lernleistung dienen Lernkurven, die Differenz zwischen Trainings- und Validierungsleistung, um Over-/Underfitting zu erkennen. Frühzeitiges Stoppen, Regularisierung und Dropout sind gängige Maßnahmen, um eine Überanpassung zu verhindern.

Siehe auch: Trainingsdaten, Validierungsdaten, Testdaten, Kreuzvalidierung.