Zbiór walidacyjny – służy do strojenia parametrów modelu.

Zbiór walidacyjny stanowi wyodrębnioną część danych używaną podczas procesu uczenia maszynowego w celu oceny jakości modelu. Służy on do strojenia parametrów modelu, takich jak na przykład współczynniki regularyzacji czy liczba warstw sieci neuronowej, umożliwiając optymalizację bez ryzyka przeuczenia na zbiorze treningowym. W odróżnieniu od zbioru testowego, który służy do ostatecznej oceny wydajności modelu, zbiór walidacyjny jest wykorzystywany wielokrotnie w trakcie etapów budowy modelu.

Dane zawarte w zbiorze walidacyjnym nie są wykorzystywane bezpośrednio do treningu, lecz pełnią funkcję kontrolną, pomagając w wyborze najlepszych hiperparametrów oraz architektury modelu. W praktyce często stosuje się techniki takie jak walidacja krzyżowa, które pozwalają na bardziej efektywne wykorzystanie dostępnych danych i zapewniają wiarygodną ocenę stabilności i generalizacji modelu. Zbiór walidacyjny odgrywa kluczową rolę w procesie rozwoju modeli sztucznej inteligencji, stanowiąc podstawę do podejmowania świadomych decyzji dotyczących ich konfiguracji.