Adatkészlet (dataset)
Összetartozó adatok rendezett gyűjteménye, amelyet például modell tanítására, ellenőrzésére vagy elemzésére használnak.
Analógia
Mint egy gondosan összeállított gyakorlófeladatsor, amelyet a cél szerint rendeznek és ellenőriznek.
Miért fontos?
Az adatkészlet összeállítása és minősége meghatározza, milyen példákból tanulhat vagy milyen adatokon értékelhető egy rendszer.
Hogyan működik?
Az adatkészlet, angolul dataset, összetartozó adatok rendezett gyűjteménye. Tartalmazhat szövegeket, képeket, hangfelvételeket, táblázatokat vagy ezekhez rendelt címkéket. Gépi tanulásban egy adatkészlet különböző szerepet tölthet be: használható tanításra, a modell beállításainak ellenőrzésére, végső értékelésre vagy későbbi elemzésre. Az adatkészlet tágabb fogalom, mint a tanítóadat: a tanítóadat az a rész, amelyből a modell tanul, míg a teljes gyűjtemény más célú adatokat is tartalmazhat.
Az adatkészlet összetétele, pontossága és eredete befolyásolja, mit képes a modell megtanulni és mennyire reálisan mérhető a teljesítménye. Ha az értékelésre félretett példák véletlenül a tanításba is bekerülnek, a mérés túl kedvező képet mutathat. A gyűjteményből hiányozhatnak fontos nyelvek, csoportok vagy ritka helyzetek is. Ezért célszerű dokumentálni az adatforrást, a gyűjtés módját, a címkézés szabályait és az egyes adatrészek szerepét. A jó adatkészlet nem feltétlenül nagyobb, hanem a feladathoz megfelelő és ellenőrzött.
Példa
Egy csapat külön adatkészletet állít össze a modell tanításához és egy másikat a végső értékeléshez, így ellenőrizheti, hogyan működik új példákon.
Gyakori tévhit
Az adatkészlet nem csak tanítópéldákból állhat; értékelési vagy elemzési adatokat is tartalmazhat.