---
term: "Training Set / Validation Set / Test Set"
slug: "training-validation-test-set"
glossar_id: "G116"
variants: ["Training Set","Validation Set","Test Set","Trainingsdatensatz","Validierungsdatensatz","Testdatensatz"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Daten für Lernen, begleitende Bewertung und abschließende Prüfung."
redirects: ["training-set"]
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
status: "entwurf"
updated: "2026-09-20"
---

Training Set, Validation Set und Test Set bezeichnen Daten mit unterschiedlichen Rollen: Lernen, begleitende Auswahl und abschließende Prüfung. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Ein einzelnes Beispiel sollte dabei nicht gleichzeitig mehreren dieser Teilmengen angehören. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Stell dir einen Lehrgang vor. Es gibt Übungsaufgaben zum Lernen, Probeklausuren für die Vorbereitung und eine zurückgehaltene Abschlussprüfung.

Wenn du die Abschlussfragen ständig zum Verbessern deiner Vorbereitung heranziehst, sind sie keine wirklich unabhängige Prüfung mehr. Für ein Modell würde ich deshalb vorab festlegen, welcher Bestand für welche Entscheidung verwendet werden darf.

## Drei Rollen im Entwicklungsprozess

- **Training Set:** An diesen Beispielen werden die Modellparameter angepasst. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))
- **Validation Set:** Dieser getrennte Bestand dient der wiederholten Bewertung während der Entwicklung, etwa beim Vergleich von Einstellungen oder Zwischenständen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))
- **Test Set:** Diese zurückgehaltenen Daten prüfen das ausgewählte Modell, nachdem die wesentlichen Entwicklungsentscheidungen getroffen wurden. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Ein niedriger Verlust auf zurückgehaltenen Daten liefert eine bessere Einschätzung der Leistung auf ungesehenen Beispielen als der Trainingsverlust allein. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## Nicht nur Zeilen zufällig verteilen

Für einen Datensatz aus Kundenanfragen würde ich verwandte Gesprächsteile, Dubletten und leicht umformulierte Kopien gemeinsam behandeln. Wenn dein späterer Einsatz auf zukünftige Fälle zielt, prüfe außerdem, ob eine zeitliche Trennung sinnvoller ist als eine rein zufällige Aufteilung.

Lege keine feste Prozentverteilung als allgemeine Pflicht fest. Entscheidend für deinen Versuch ist, ob jede Teilmenge ausreichend aussagekräftig für ihre Aufgabe ist und die Testfälle den geplanten Einsatz abbilden.

Dokumentiere, welche Datenversionen und Gruppenregeln verwendet wurden. So bleibt nachvollziehbar, ob zwei Modellauswertungen wirklich auf derselben Grundlage beruhen oder nur ähnlich benannte Datensätze verwenden.

## Verwandte Begriffe

Die Rollen sind wichtig für **Generalization**, **Overfitting**, **Early Stopping**, **Hyperparameter** und **Instruction Dataset**.