====== Testovací data (Test Data) ======

**Testovací data** představují nezávislou část datasetu, která slouží k finálnímu vyhodnocení kvality natrénovaného modelu. Jejich nejdůležitější vlastností je, že jsou pro model **"neviditelná"** – algoritmus k nim nesmí mít přístup během procesu učení ani během ladění parametrů.

Účelem testovacích dat je simulovat reálné nasazení (produkci), kdy model dostává zcela nové vstupy od uživatelů.

===== 1. Role v životním cyklu modelu =====

V rámci procesu rozdělení dat (Data Splitting) tvoří testovací data poslední instanci:
  * **Trénovací data:** Model z nich čerpá znalosti.
  * **Validační data:** Vývojář podle nich upravuje nastavení (např. hloubku sítě).
  * **Testovací data:** Pouze pro závěrečné měření přesnosti. Pokud model na testovacích datech propadne, celý proces se musí vrátit na začátek.



===== 2. Problém kontaminace dat (Data Leakage) =====

K **úniku dat** (Data Leakage) dochází, pokud se informace z testovací sady neúmyslně dostanou do trénovacího procesu. To vede k falešnému optimismu – model vypadá jako geniální (má 99% úspěšnost), ale v realitě selhává, protože si jen "pamatuje" testovací otázky.

**Jak zabránit kontaminaci:**
  * Striktní oddělení dat hned na začátku projektu.
  * Zajištění, že se duplicitní záznamy nenacházejí v obou sadách.
  * Časové oddělení (u časových řad): trénování na starších datech, testování na nejnovějších.

===== 3. Metriky vyhodnocení na testovacích datech =====

Na základě výsledků z testovacích dat vypočítáváme metriky, které nám řeknou, jak je model dobrý:

^ Metrika ^ Význam ^ Příklad ^
| **Accuracy (Přesnost)** | Procento správně určených případů. | "Model trefil 95 % obrázků." |
| **Precision** | Schopnost neoznačit chybně negativní případ jako pozitivní. | "Kolik z označených spamů byl skutečně spam?" |
| **Recall (Úplnost)** | Schopnost najít všechny pozitivní případy. | "Našel model všechny nádory na snímcích?" |
| **F1 Score** | Harmonický průměr mezi Precision a Recall. | Ideální pro nevyvážená data. |



===== 4. Zobecnění (Generalizace) =====

Hlavním cílem použití testovacích dat je ověřit **schopnost zobecnění**. 
  * Pokud má model skvělé výsledky na trénovacích datech, ale mizerné na testovacích, došlo k **Overfittingu** (přetrénování). Model se naučil šum a specifické chyby trénovací sady, místo aby pochopil obecné pravidlo.
  * Pokud jsou výsledky špatné u obou sad, jde o **Underfitting** (podtrénování) – model je příliš jednoduchý.

===== 5. Zlatá pravidla pro testovací data =====

  * **Nikdy netrénovat na testovacích datech:** Jakmile se model "podívá" na testovací data, ztrácí tato sada svou objektivitu.
  * **Stejná distribuce:** Testovací data musí pocházet ze stejného prostředí jako trénovací (např. pokud trénujete na fotkách z profi foťáku, nemůžete testovat jen na rozmazaných fotkách z mobilu).
  * **Dostatečná velikost:** Testovací sada musí být dost velká, aby výsledky byly statisticky významné (obvykle se volí 10–20 % z celkového objemu).

> **Příklad z praxe:** Představte si testovací data jako závěrečnou zkoušku ve škole. Trénovací data jsou učebnice. Pokud učitel dá do zkoušky přesně stejné příklady, které jsou v učebnici, nezjistí, zda žák látku pochopil, nebo se ji jen naučil nazpaměť. Proto musí být ve zkoušce (testovacích datech) příklady nové, ale ze stejné látky.

[[it_encyklopedie:ai_rozcestnik|Zpět na AI rozcestník]]