# Ensemble de validation

> Données utilisées pendant l'entraînement pour évaluer le modèle et ajuster ses hyperparamètres.

- Page ZoneIA : https://zoneia.fr/glossaire/ensemble-de-validation
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Un ensemble de validation est un **sous-ensemble de données séparé du jeu d’entraînement**. Il sert à mesurer, pendant le développement, si le modèle généralise correctement sur des exemples qu’il n’a pas utilisés pour apprendre directement.

## Comment ça fonctionne
On découpe généralement les données en trois parties : **entraînement**, **validation** et **test**. Le modèle ajuste ses poids sur l’entraînement. Puis on calcule une métrique (accuracy, loss, F1, perplexité, etc.) sur la validation. Cette mesure guide des choix comme :
- le **taux d’apprentissage**, la régularisation, la taille du modèle,
- le nombre d’époques (via **early stopping**),
- le seuil de décision, le type de features, etc.

Important : la validation est utilisée **à répétition**. À force d’itérer, on peut « sur-optimiser » pour ce jeu, ce qui le rend moins représentatif.

## À quoi ça sert
- **Détecter le surapprentissage** : performance élevée en entraînement mais faible en validation.
- **Comparer des variantes** de modèles et d’hyperparamètres.
- **Choisir un modèle final** avant l’évaluation définitive.

## Exemple concret
Dans un split 80/10/10, on entraîne sur 80%, on choisit l’hyperparamètre qui maximise la F1 sur 10% (validation), puis on rapporte le score final sur les 10% restants (test).

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/ensemble-de-validation)