modelevaluatie

Modelevaluatie is het proces waarbij de prestatie en betrouwbaarheid van een statistisch of machine-learningmodel worden beoordeeld aan de hand van data die niet tijdens de training zijn gebruikt. Het doel is vaststellen hoe goed het model op nieuwe gegevens voorspellingen kan maken en onder welke omstandigheden het robuust blijft.

Doorgaans wordt onderscheid gemaakt tussen trainings-, validatie- en testdata. Veelgebruikte evaluatiestrategieën zijn held-out validatie, k-fold cross-validatie en bootstrapping. Voor volgordelijke data of tijdreeksen bestaan speciale splitsingsmethoden om leakage te voorkomen en tijdsafhankelijkheid in acht te nemen.

Afhankelijk van het type probleem worden verschillende metrics gebruikt. Bij regressie: RMSE, MAE, R^2. Bij binaire classificatie: nauwkeurigheid, precisie, recall, F1-score, AUC-ROC. Bij probabilistische uitkomsten: calibratie, bijvoorbeeld Brier-score, kalibratiecurves. Voor rangordening kunnen metrics zoals NDCG of MAP worden toegepast.

Het evaluatieproces omvat ook modelkeuze en hyperparameterafstelling, vaak via validatieprocedures. Belangrijk is het voorkomen van leakage en overfitting, en het gebruik van meerdere herhalingen of resampling om variabiliteit te beoordelen. Kalibratie van de voorspellingsuitkomsten en bijbehorende betrouwbaarheidplots tonen of de voorspellingen consistent en betrouwbaar zijn.

Verder spelen generaliseerbaarheid, robuustheid tegenover data-drifts, en ethische aspecten zoals fairness en bias een rol. Documentatie van de evaluatieresultaten en transparante rapportage zijn essentieel, vooral bij toepassingen met maatschappelijke impact.