Dataset (deutsch: Datensatz) ist die Sammlung von Daten, mit der ein Machine-Learning-Modell trainiert, getestet und bewertet wird. Ohne gute Daten lernt keine KI — die Qualität des Datasets entscheidet maßgeblich über die Qualität des Ergebnisses.
Aufbau eines Datasets
Ein typisches Dataset besteht aus vielen einzelnen Beispielen. Beim Supervised Learning gehört zu jedem Beispiel eine Beschriftung (Label):
- Merkmale (Features): die Eingabewerte, z.B. Pixel eines Bildes oder Spalten einer Tabelle.
- Label: die erwartete Antwort, z.B. „Katze" oder „Hund", an der das Modell seine Vorhersage misst.
Beim Unsupervised Learning gibt es dagegen keine Labels — das Modell sucht selbst nach Mustern und Gruppen in den Daten.
Trainings-, Validierungs- und Testdaten
Ein Dataset wird üblicherweise in drei Teile geteilt:
- Trainingsdaten: Hieraus lernt das Modell die Zusammenhänge.
- Validierungsdaten: Damit werden während des Trainings Parameter wie die Lernrate justiert.
- Testdaten: Sie sind dem Modell bis zum Schluss unbekannt und prüfen, ob es auch neue Fälle meistert — oder nur Overfitting betreibt.
Typische Probleme mit Datasets
- Zu wenig Daten: Modelle brauchen oft tausende bis Millionen Beispiele.
- Bias (Verzerrung): Fehlen bestimmte Gruppen in den Daten, lernt das Modell diese Gruppen nicht — oder diskriminiert sie.
- Fehlerhafte Labels: Falsch beschriftete Beispiele verwirren das Training.
- Datenleck: Gelangen Testdaten ins Training, täuscht die spätere Bewertung eine zu gute Leistung vor.
Bekannte öffentliche Datasets
- MNIST: handgeschriebene Ziffern, der Klassiker für den Einstieg.
- ImageNet: über 14 Millionen beschriftete Bilder für die Bilderkennung.
- Common Crawl: Milliarden Webseiten, oft Grundlage für große Sprachmodelle.
Verwandte Grundlagen: Embedding, LLM-Glossar.