träningssettet

Träningssetet är den del av en dataset som används för att träna en maskininlärningsmodell. I övervakat lärande består träningssetet av par av ingångsvariabler (funktioner) och målvariabler (etiketter). Syftet är att modellen ska lära sig sambandet mellan ingångar och utgångar genom att justera modellens parametrar så att förlusten minimeras på träningsmaterialet.

Ofta delas data upp i tränings-, validerings- och testset. Träningssetet används för parameteranpassning, valideringssetet för hyperparametrar och mätning av generaliseringsförmåga under träning, och testsetet för en slutgiltig utvärdering av modellen. Storlek och sammansättning är viktig; data bör vara representativ för målpopulationen, ofta via stratifierad sampling vid klassificering.

Kvalitet och risker: data bör vara relevanta och av god kvalitet. Det bör undvikas data leakage, där information från framtiden eller testet sprids till träningssetet. För bilder, ljud och text används ofta augmentation eller syntetisk datagenerering för att utöka träningssetet.

Praktiska metoder: normalisering eller standardisering av funktioner, hantering av obalanserade klasser, och korsvalidering för robusthet. Vid icke-supervised lärande används träningssetet utan etiketter; i reinforcement learning samlas data genom interaktioner med miljön snarare än ett fast dataset.