Testdata is een deel van de dataset dat wordt gebruikt om te controleren hoe goed een AI-model presteert. Deze data wordt pas ingezet nadat het model is getraind en laat zien hoe betrouwbaar de AI is in de praktijk.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Uitleg van testdata in begrijpelijke taal
Testdata bestaat uit voorbeelden die een AI-model nog niet eerder heeft gezien. Door het model deze data te laten verwerken, wordt duidelijk of het daadwerkelijk heeft geleerd, of alleen de trainingsvoorbeelden heeft onthouden.
Het geeft daardoor een realistischer beeld van de kwaliteit van een model. Vooral bij machine learning is dit belangrijk, omdat een model ook goed moet functioneren bij nieuwe situaties.
Hoe testdata werkt bij AI-modellen
Tijdens het bouwen van een AI-model splitsen ontwikkelaars de beschikbare data meestal op in trainingsdata, validatie data en testdata.
Het model leert uitsluitend van de trainingsdata. Daarna vergelijken ontwikkelaars de voorspellingen van het model met de juiste antwoorden uit de testdata. Op basis daarvan meten zij hoe nauwkeurig, stabiel en betrouwbaar het model is.
Wanneer een model goed scoort op trainingsdata maar slecht presteert op testdata, kan sprake zijn van overfitting. Het model heeft dan te veel details uit de trainingsdata onthouden en kan minder goed omgaan met nieuwe informatie.
Verschil tussen trainingsdata en testdata
Trainingsdata helpt een model om patronen te leren herkennen. Testdata heeft juist als doel om te controleren of het model die kennis correct toepast op onbekende voorbeelden.
Daardoor ontstaat een eerlijkere beoordeling van de prestaties van het model. Zonder testdata is het lastig om te bepalen of een AI-systeem echt betrouwbaar werkt in de praktijk.
Praktisch voorbeeld van testdata
Bij een spamfilter wordt het model eerst getraind met gelabelde e-mails. Vervolgens krijgt het nieuwe e-mails uit de testdata te zien.
Als het model deze onbekende e-mails correct als spam of geen spam herkent, presteert het goed. Maakt het systeem nog veel fouten, dan moeten ontwikkelaars het model verder verbeteren of extra trainingsdata gebruiken.
Waarom testdata belangrijk is
Het helpt om AI-systemen betrouwbaarder en eerlijker te maken. Daardoor kunnen ontwikkelaars beter controleren of een model geschikt is voor echte toepassingen.
Dit is extra belangrijk bij systemen die worden gebruikt voor medische analyses, fraudedetectie of automatische besluitvorming. In zulke situaties kunnen verkeerde voorspellingen namelijk grote gevolgen hebben.
Verder leren
Wil je beter begrijpen hoe AI-modellen worden getraind, getest en beoordeeld, dan is de Gratis Basiscursus AI een goed startpunt. Daar leer je stap voor stap hoe data, training en evaluatie samenkomen binnen kunstmatige intelligentie.
Wie liever kijkt dan leest, vindt op het YouTube kanaal De Wereld van AI heldere uitlegvideo’s over AI in gewone taal en zonder technisch jargon.