Doğrulama Kümesi (Validation Set)
Veri & eğitimValidation set nedir?
Bir modeli eğitirken veriyi genelde üçe ayırırsın: training set (eğitim), validation set (doğrulama) ve test set. Validation set, modelin eğitim sırasında öğrenmediği ama senin ayar yapmak için baktığın ara kümedir. Model training set'ten öğrenir, sen validation set'te performansına bakıp hyperparameter'ları, mimariyi ve ne zaman duracağını kararlaştırırsın.
Nasıl çalışır?
Eğitim sürerken her epoch sonunda modeli validation set üzerinde ölçersin. Training loss düşerken validation loss da düşüyorsa iyi yoldasın. Ama training loss düşmeye devam edip validation loss yükselmeye başlarsa, model ezberlemeye (overfitting) geçmiş demektir. İşte bu sinyal early stopping, learning rate değiştirme ya da regularization ekleme gibi kararları tetikler. Önemli nokta: validation set'e bakarak karar verdiğin için bu küme artık tam anlamıyla temiz değildir — gerçek, tarafsız ölçüm için ayrı bir test set saklarsın.
Neden önemli?
Modeli sadece gördüğü veriyle değerlendirirsen kendini kandırırsın; ezberlemiş bir model training set'te harika görünür ama sahada çöker. Validation set, "bu model yeni veride ne yapar?" sorusuna eğitim bitmeden cevap verir. Model seçimi, hyperparameter tuning ve erken durdurma gibi kritik kararların hepsi bu kümeye dayanır. Veri azsa ayrı bir validation kümesi ayıramazsın; o zaman cross-validation devreye girer.
Kullanım alanları
Klasik bölünme genelde %70 training, %15 validation, %15 test civarıdır ama orana dair katı kural yok. Zaman serisi gibi sıralı verilerde validation set'i rastgele değil, zaman olarak ileriden seçersin — yoksa gelecekten bilgi sızar (data leakage). Kaggle yarışmalarından production ML pipeline'larına kadar her ciddi iş akışında ayrı bir validation kümesi vardır.
Ilgili terimler
