Данные, на которых модель училась. Определяет, что она умеет и где систематически ошибается.
Почему это важно здесь
Модель воспроизводит то, что было в данных, включая перекосы. Проверка на тех же данных, на которых училась, всегда даёт отличный результат и ничего не значит.
Пример
Модель оценки заявок, обученная на прошлом сегменте, будет системно занижать новых клиентов, и каждая ошибка объяснится частной причиной.
Что важно
- Представительность: данные похожи на реальные условия использования.
- Качество разметки.
- Отдельные выборки для обучения, настройки и итоговой проверки.
Частая ошибка
Проверять модель на тех же данных, на которых она обучалась, и получать завышенную точность.
Для бизнеса
Если данные клиента отличаются от данных, на которых обучена модель, точность нужно проверять заново.
Рядом
Дрейф, AI/ML Lifecycle, Объяснимость
Материал обновлён 3 октября 2026
Материал оказался полезным?
Спасибо. Это влияет на то, что мы разберём дальше.