Valideringsmängden

Valideringsmängden är den del av datauppsättningen som används under utvecklingsfasen av en maskininlärningsmodell för att utvärdera modellens prestanda och guida hyperparametrisering. Den ligger vanligtvis mellan träningsmängden, som används för att lära modellen, och testmängden, som reserveras för slutlig utvärdering. Syftet är att få en oberoende uppskattning av hur modellen kommer att prestera på ny data och därmed förebygga överanpassning mot träningsdata.

Vanliga metoder för att skapa valideringsmängden inkluderar hold-out-split, där en del av data avsätts som validering, och k-fold korsvalidering, där data delas upp i k delar och modellen utvärderas flera gånger. Stratifierad sampling används ofta för att bevara klassfördelningen i varje delset. För tidsseriedata används ofta specifika metoder som framåtblickande validering eller sliding window för att bevara tidsordningen.

Användningen av valideringsmängden inkluderar hyperparametersjustering, arkitekturval och ibland tidig stopp under träningsprocessen. Den fungerar som ett skydd mot överdriven anpassning till träningsdata och ger ledning vid modellval och konfiguration innan slutlig utvärdering på testmängden.

Viktiga överväganden är att valideringsmängden bör vara representativ för den distribution som gäller i verkliga tillämpningar och att man undviker dataläckage där information från träningsmängden influenser valideringen. Jämförelsen med testmängden används för den slutliga prestandabedömningen av modellen.