A validációs készlet olyan adathalmaz, amelyet a modell finomhangolására, az optimális paraméterek kiválasztására használnak.
A validációs készlet nem része a tanító adatoknak, és különbözik a tesztkészlettől is. Arra szolgál, hogy a modell fejlesztése közben folyamatosan ellenőrizzük a teljesítményt, és így elkerüljük a túlillesztést (overfitting).
Segít jobb, általánosíthatóbb modelleket építeni.
Egy webshop ajánlórendszerének paramétereit úgy állítják be, hogy a validációs készleten teljesítsen a legjobban, mielőtt élesben futna.
Alulillesztés akkor történik, amikor a modell túl egyszerű, és nem képes megtanulni az adatok közötti alapvető összefüggéseket.
A felügyelt tanulás egy gépi tanulási módszer, ahol az algoritmust olyan adatokkal tanítják, amelyek tartalmazzák a bemeneteket és a hozzájuk tartozó helyes kimeneteket.
A hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
A keresztvalidáció egy technika, amely az adatok több részre osztásával méri a modell teljesítményét.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A tanítókészlet az a konkrét adathalmaz, amelyet az AI-modell betanítására használnak.
A tesztkészlet egy külön adathalmaz, amellyel a betanított AI-modell teljesítményét mérik.
A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
