Teil B · Wie Maschinen lernen · Lektion 6

Training, Validierung, Test

Geprüft am 20.11.2026

Testdaten sind wie die echte Prüfung: Sie bleiben bis zum Schluss verschlossen – sonst ist das Ergebnis geschönt.

Im Alltag

Wer für eine Prüfung nur die Musterlösungen auswendig lernt, schreibt eine glatte 1 – solange genau diese Aufgaben drankommen. Bei neuen Aufgaben fällt er durch. Ehrlich ist nur eine Prüfung mit Aufgaben, die man vorher nicht gesehen hat.

Fachlich

Die Daten werden vor dem Training aufgeteilt: Trainingsdaten zum Lernen der Parameter, Validierungsdaten zum Einstellen der Hyperparameter und zum Vergleichen von Modellen, Testdaten nur ganz am Ende für eine ehrliche Schätzung, wie gut das Modell bei neuen Fällen ist.

Animation: 100 Kästchen werden zufällig in drei Gruppen sortiert: 70 Training, 15 Validierung, 15 Test.
Typische Aufteilung: 70 / 15 / 15 – je nach Datenmenge auch 80 / 10 / 10.

Was dabei schiefgehen kann

BegriffWas passiertErkennbar an
Overfitting (Überanpassung)Modell lernt Trainingsbeispiele samt Zufall auswendigTraining sehr gut, Test deutlich schlechter
Underfitting (Unteranpassung)Modell ist zu einfach für den ZusammenhangTraining und Test schlecht
Data LeakageInformationen aus den Testdaten oder aus der Zukunft gelangen ins TrainingUnglaublich gute Testwerte, später Enttäuschung im Betrieb

Bei Zeitreihen (z. B. Absatz je Woche) wird nicht zufällig, sondern zeitlich getrennt: mit der Vergangenheit trainieren, mit dem jüngsten Zeitraum testen. Sonst „kennt“ das Modell die Zukunft.

Merksatz

Testdaten sind wie die echte Prüfung: Sie bleiben bis zum Schluss verschlossen – sonst ist das Ergebnis geschönt.

Falle

„Wir haben auf allen Daten trainiert und auf allen Daten 99 % erreicht.“ Diese Zahl sagt nichts darüber, wie gut das Modell neue Fälle erkennt. In Situationsaufgaben wird genau dieser Fehler gern versteckt.

Kurz geprüft: Ein Modell erreicht 99 % im Training und 72 % im Test. Was liegt vor?

Hinweise für Lehrende

Das Prüfungsbeispiel mit der Musterlösung bleibt hängen. Ergänzen Sie: Validierungsdaten sind wie Probeklausuren – man darf sich an ihnen orientieren, aber dann sind sie „verbraucht“ und taugen nicht mehr als ehrliche Endprüfung. Details zu Kreuzvalidierung folgen in Modul 4.

Häufige Fragen zu „Training, Validierung, Test“

Warum teilt man Daten in Training, Validierung und Test auf?

Mit Trainingsdaten lernt das Modell, mit Validierungsdaten werden Einstellungen gewählt und Modelle verglichen, und mit Testdaten wird am Ende ehrlich geschätzt, wie gut das Modell bei neuen Fällen ist.

Was ist Overfitting?

Overfitting heißt, dass ein Modell die Trainingsbeispiele samt Zufall auswendig lernt. Es ist im Training sehr gut, bei neuen Daten aber deutlich schlechter.

Wie teilt man Zeitreihen richtig auf?

Zeitlich: mit älteren Daten trainieren und mit dem jüngsten Zeitraum testen. Bei einer zufälligen Aufteilung würde das Modell im Training schon Informationen aus der Zukunft sehen.