Hãy tưởng tượng bạn đang huấn luyện một chú mèo để làm xiếc, như nhảy qua vòng lửa.
Tập huấn luyện (Training set):
Đây là phần “bí kíp” bạn dùng để dạy chú mèo. Bạn cho nó xem hàng trăm lần cách nhảy qua vòng, thưởng cá ngon mỗi khi nó làm đúng, và sửa lỗi khi nó chỉ ngồi liếm lông thay vì nhảy. Tập huấn luyện giống như cẩm nang luyện công, chứa dữ liệu để mô hình máy học (chú mèo của chúng ta) học cách dự đoán hoặc thực hiện nhiệm vụ. Nó chiếm phần lớn dữ liệu (thường 70-80%), vì bạn muốn mèo có nhiều ví dụ để “thấm” bài.
Ví dụ: Bạn cho mèo xem 80 video nhảy qua vòng lửa, kèm hướng dẫn: “Nhảy thế này, được cá. Không nhảy, hết cá!”
Tập kiểm tra (Test set):
Sau khi huấn luyện, bạn muốn kiểm tra xem chú mèo đã “pro” chưa. Bạn đưa ra một vòng lửa mới, không cho cá, không gợi ý, chỉ đứng xem nó tự nhảy. Tập kiểm tra giống như bài thi cuối kỳ, dùng để đánh giá xem mô hình (mèo) có thực sự học được gì hay chỉ “học vẹt”. Dữ liệu này độc lập, không được dùng trong lúc huấn luyện (thường 20-30% còn lại), để đảm bảo kết quả công bằng.
Ví dụ: Bạn đặt vòng lửa ở sân sau, không nói gì, và xem mèo có nhảy qua không. Nếu nó nhảy đẹp, hoan hô! Nếu nó chạy mất, ờ… cần huấn luyện lại! 😅
Tại sao phải chia?
Nếu bạn cho mèo luyện và thi cùng một vòng lửa, nó sẽ “thuộc bài” chứ không thực sự học cách nhảy. Trong máy học, nếu mô hình thấy cả dữ liệu kiểm tra từ đầu, nó sẽ “gian lận”, ghi nhớ đáp án mà không học cách khái quát. Chia tách giúp đảm bảo mô hình không chỉ giỏi trên “sân nhà” mà còn xử lý tốt dữ liệu mới.
Tóm lại: Tập huấn luyện là lớp học, tập kiểm tra là kỳ thi. Dạy mèo nhảy vòng lửa thì dễ, nhưng để nó tự nhảy ở rạp xiếc mới là thử thách! 🎪