Auch genannt: Lerndaten, Trainingssatz, Training Set
Trainingsdaten sind die Beispiele, mit denen ein Verfahren des maschinellen Lernens seine anpassbaren Regeln ermittelt. Bei einem Bildklassifikator können sie aus Bildern und zugehörigen Klassen bestehen, etwa „Fahrrad“ oder „kein Fahrrad“. Bei einer Prognose sind es frühere Beobachtungen mit einem Zielwert. Ein neuronales Netz verarbeitet die Eingaben schrittweise; beim Training werden seine Gewichte mit Verfahren wie der Rückpropagation so angepasst, dass die Vorhersage und der bekannte Zielwert möglichst gut zusammenpassen.Google for Developers: Neural networks
Ein einzelnes Beispiel besteht oft aus Merkmalen und, bei überwachtem Lernen, einem Label. Merkmale sind die Informationen, aus denen das Modell ein Muster ableiten soll: Bei einer E-Mail können das Wortmerkmale oder technische Angaben sein, bei einem Foto Pixelwerte. Das Label ist die vorgegebene Antwort, etwa „Spam“ oder „kein Spam“. Ein Regressionsmodell arbeitet nach demselben Grundprinzip, sein Label kann aber eine Zahl sein, zum Beispiel ein Energieverbrauch.
Nicht jedes Lernverfahren benötigt gelabelte Daten. Beim unüberwachten Lernen sucht ein Verfahren Strukturen in den Eingaben selbst; beim bestärkenden Lernen entsteht die Rückmeldung aus einer Belohnung. Im üblichen Sprachgebrauch bezeichnet Trainingsdaten dennoch vor allem den Teil eines Datensatzes, der tatsächlich zum Anpassen eines Modells verwendet wird. Daten, die nur später zur Prüfung zurückgehalten werden, gehören nicht dazu.
Während des Trainings sieht das Modell viele Beispiele. Es berechnet aus den Merkmalen eine Ausgabe, vergleicht diese bei gelabelten Daten mit dem Label und verändert seine Parameter in kleinen Schritten. Das Ziel ist nicht, einzelne Zeilen einer Tabelle oder einzelne Bilder auswendig zu lernen, sondern auf neue, ähnliche Fälle brauchbar zu reagieren. Google beschreibt Überanpassung als den Fall, dass ein Modell die Trainingsmenge sehr genau trifft, bei neuen Daten aber schlecht abschneidet.Google for Developers: Overfitting
Daher ist die Menge allein kein Qualitätsmerkmal. Trainingsdaten sollten zur späteren Aufgabe passen und die relevanten Fälle abdecken. Fehlen etwa Nachtaufnahmen in einem Datensatz für Verkehrszeichenerkennung, kann ein Modell bei Dunkelheit schlechter funktionieren, obwohl es auf den vorhandenen Tagesbildern gute Werte zeigt. Auch fehlerhafte, unklare oder uneinheitlich vergebene Labels erschweren das Lernen: Das Modell erhält dann widersprüchliche Zielvorgaben.
Bias bezeichnet in diesem Zusammenhang eine systematische Schieflage in Daten, Auswahl oder Messung. Er lässt sich nicht durch einen einzelnen Kennwert „wegtrainieren“. Praktisch bedeutet Datenprüfung, Herkunft und Zweck festzuhalten, Klassen und relevante Gruppen zu betrachten, Labelregeln zu dokumentieren und auffällige Lücken vor dem Einsatz zu untersuchen. Solche Prüfungen ersetzen keine umfassende Risikoanalyse; NIST ordnet Vertrauenswürdigkeitsaspekte ausdrücklich dem Entwurf, der Entwicklung, der Nutzung und der Bewertung von KI-Systemen zu.NIST: AI Risk Management Framework
Ein Betrieb möchte Fotos von Bauteilen automatisch einer von drei Kategorien zuordnen: Schraube, Mutter oder Unterlegscheibe. Für überwacht trainiertes Lernen wird jedes Bild mit der passenden Kategorie versehen. Die Trainingsdaten sollten verschiedene Perspektiven, Größen, Materialien, Beleuchtungen und Hintergründe enthalten, wenn diese Bedingungen später vorkommen können. Bilder mit falschem Etikett oder nahezu identische Serienbilder können das Ergebnis verzerren; sie sind keine bloße Fleißarbeit am Rand, sondern Teil der Datenqualität.
Nach der Bereinigung wird der Datensatz getrennt. Ein Teil dient zum Trainieren, ein weiterer Teil kann während der Entwicklung zur Auswahl von Einstellungen verwendet werden. Ein Testteil bleibt bis zur abschließenden Beurteilung zurück. Die Trennung ist wichtig, weil die Bewertung auf denselben Beispielen, mit denen die Parameter gelernt wurden, eine methodische Fehlentscheidung wäre: Selbst ein Modell, das Labels nur wiederholt, könnte dort gut aussehen, aber nichts Nützliches für unbekannte Daten vorhersagen.scikit-learn: Cross-validation
Die Aufteilung ist keine magische Garantie. Wenn ähnliche Fotos derselben Produktionsserie in Training und Test gelangen, kann die Messung zu optimistisch ausfallen. Ebenso kann sich der spätere Betrieb ändern: neue Bauteile, andere Kameras oder andere Lichtverhältnisse unterscheiden sich möglicherweise von den Trainingsdaten. Ein guter Test prüft deshalb möglichst realistisch die Bedingungen, unter denen das Modell eingesetzt werden soll.
Trainingsdaten verändern die Modellparameter. Validierungsdaten werden während der Entwicklung genutzt, um Einstellungen oder Modellvarianten zu vergleichen, ohne sie selbst zum direkten Lernen zu verwenden. Testdaten sollen von solchen Entscheidungen getrennt bleiben und erst am Ende eine möglichst unabhängige Einschätzung liefern. scikit-learn weist darauf hin, dass auch wiederholtes Nachjustieren anhand des Testsets Informationen daraus in die Entwicklung einfließen lassen kann.scikit-learn: Cross-validation
Betriebsdaten entstehen erst im laufenden Einsatz. Sie sind nicht automatisch geeignete Trainingsdaten: Zunächst muss geklärt werden, ob sie zum Zweck passen, rechtmäßig verarbeitet werden dürfen, ausreichend dokumentiert sind und welche Qualität ihre Labels haben. Werden spätere Betriebsdaten zum Nachtrainieren genutzt, beginnt ein neuer Daten- und Evaluierungszyklus. Sonst kann unbemerkt eine Rückkopplung entstehen, bei der frühere Modellentscheidungen die künftigen Lerndaten beeinflussen.
Ein Datensatz ist der Oberbegriff für eine geordnete Sammlung von Daten. Trainingsdaten sind davon die für das Lernen vorgesehene Teilmenge. Ein Label ist nicht der Datensatz selbst, sondern die zugeordnete Zielinformation eines Beispiels. Und ein trainiertes Modell ist nicht „die Datenbank“: Es enthält erlernte Parameter, während die ursprünglichen Daten eine eigene Herkunft, Qualität und Zugriffsregelung haben können.
Auch hohe Genauigkeit auf Trainingsdaten beweist nicht, dass ein Modell im Einsatz zuverlässig arbeitet. Entscheidend ist, wie gut die Prüfung auf zurückgehaltenen und realistischen neuen Daten gelingt. Trainingsdaten sind damit kein neutraler Rohstoff, sondern ein zentraler Teil der fachlichen und organisatorischen Gestaltung eines KI-Systems.