Trainingsdaten sind die Daten, auf denen ein maschinelles Lernmodell lernt: Es extrahiert daraus Muster und passt seine Parameter so an, dass die Loss-Funktion möglichst klein wird. Beim überwachten Lernen (Supervised Learning) besteht jedes Beispiel aus einer Eingabe und einem erwarteten Ergebnis (Label); beim unüberwachten Lernen gibt es nur Eingaben.
Aufteilung des Datensatzes
Die verfügbaren Daten werden typischerweise in drei Teile geteilt:
- Trainingsdaten (meist 60-80 %): Hier lernt das Modell die Parameter.
- Validierungsdaten: Werden beim Hyperparameter-Tuning zur Auswahl der besten Einstellungen genutzt.
- Testdaten: Bleiben bis zum Schluss unangetastet und messen, wie gut das Modell auf unbekannten Daten generalisiert.
Bei unbalancierten Klassen (z.B. wenige positive Beispiele in einer Klassifikation) achtet man auf eine stratifizierte Aufteilung, damit jede Klasse in allen Teilmengen proportional vertreten ist.
Qualität schlägt Quantität
Die Datenqualität entscheidet über den Lernerfolg: fehlende Werte, Duplikate, Ausreißer und Verzerrungen (Bias) führen zu fehlerhaften Modellen — gilt der Grundsatz „Garbage in, garbage out“. Wichtige Stellschrauben sind Datenbereinigung, die Auswahl aussagekräftiger Merkmale und bei Bildern die Datenaugmentation (künstliche Varianten erzeugen).
Zusammenhänge
Der Lernprozess selbst ist in Training: Wie KI-Modelle lernen beschrieben. Das Modell durchläuft die Trainingsdaten in Epochen und Batches. Lernt es die Trainingsdaten auswendig statt zu generalisieren, entsteht Overfitting — bei der linearen Regression wird der Fehler direkt auf den Trainingsdaten minimiert.