Treeningandmed

Treeningandmed on masinaõppe mudelite treenimiseks kasutatav andmestik, mis sisaldab sisendeid ja tihti vastavaid sihtmärke või märgiseid. Need andmed võimaldavad mudelil õppida seoseid ja mustreid ning teha hilisemas töötsüklis prognoose või klassifikatsioone. Tavaliselt jaguneb treeningandmestik treening-, valideerimis- ja testkomplektideks, mis aitavad arendustegevuses hinnata mudeli üldistust.

Treeningandmed võivad olla märgistatud (järelevalvega ehk supervised learning) või märgistamata (järelevalveta ehk unsupervised learning). Märgistatud andmed sisaldavad iga sisendi jaoks vastust; märgistamata andmed kasutatakse peamiselt mittejärelevalvega meetodite jaoks, nagu klasterdamine või enesekoolitus.

Kvaliteetne treeningandmestik peaks peegeldama tegelikku kasutusvaldkonda ning olema piisavalt mitmekesine, et vähendada valimiviga ja suurendada mudeli üldistust. Vigade märgenduses, puuduvad või ebapiisav esindatus võivad viia ebakorrektsete või kallutatud mudeliteni.

Andmed võivad sisaldada tundlikke isikuandmeid, seetõttu on oluline privaatsus ja õiguspärasus: anonüümsus, nõusolek ja litsentsitingimused. Ettevalmistus ja hooldus hõlmavad andmete puhastamist, normaaliseerimist ja skaleerimist, puuduvate väärtuste käsitlemist ning vajadusel andmete suurendamist või sünteesi. Treening-, valideerimis- ja testkomplektid eraldatakse ning jälgitavus tagatakse metaandmete, versioonide ja andmete allikate kaudu. Otsused riskideks hõlmavad andmete lekkimist (data leakage) ja andmete nihkumist ajas (data drift), mis võivad mõjutada mudeli jõudlust.