Holdout-Validierung
Definition
Holdout-Validierung bewertet ein Modell auf einem zurückgehaltenen Datenteil, der nicht zum Training verwendet wird.
Ein Datensatz wird in getrennte Teilmengen aufgeteilt, typischerweise Training und Test sowie bei Bedarf Validierung. Die Trennung soll eine realistischere Schätzung der Generalisierung ermöglichen.
Einfach erklärt
Wie fürs Lernen einige Aufgaben zurückzuhalten und sie erst in der Prüfung zu zeigen.
Warum das im Alltag wichtig ist
Relevant für jede belastbare Modellbewertung; bei kleinen Datensätzen kann die Schätzung jedoch stark vom Split abhängen.
Beispiel aus dem Mittelstand
Ein Prognosemodell wird auf historischen Daten trainiert und auf einem späteren, vollständig zurückgehaltenen Zeitraum geprüft.
Grenzen und Fallstricke
- Testdaten zur Modellwahl verwenden; Zeitreihen zufällig mischen; Datenleckage zwischen Splits; einen einzigen kleinen Split überinterpretieren.
Entstehung & Geschichte
Holdout ist eine grundlegende Evaluationsmethode in Statistik und Machine Learning. Bibliotheken wie scikit-learn stellen standardisierte Split-Funktionen bereit.
Anwendung im Mittelstand
- Mögliche Anwendungen: unabhängige Qualitätsprüfung von Klassifikation, Prognose und Ranking.
Häufige Fragen
Ist Holdout dasselbe wie Kreuzvalidierung?
Nein, Holdout nutzt eine feste Trennung; Kreuzvalidierung wiederholt Training/Validierung über mehrere Folds. Darf das Testset optimiert werden? Nein.
Quellen
- train_test_split · scikit-learn, train_test_split
- Cross-validation · scikit-learn, Cross-validation
Quellenprüfung: 10./11.10.2026.
Redaktionell geprüft am: