Zbiór uczący, walidacyjny i testowy – typowy podział danych wejściowych stosowany w uczeniu maszynowym przy budowaniu algorytmów, które uczą się przewidywania na podstawie dostarczonych danych. Zbiory uczący, walidacyjny i testowy powinny pochodzić z tej samej populacji statystycznej.

Zbiór uczący (dane treningowe, dane uczące, próba ucząca, zestaw uczący) to zbiór danych używany do trenowania algorytmu uczenia maszynowego. Dzięki temu zbiorowi algorytm może nauczyć się wzorców, zależności, czy dopasować oszacowania parametrów modelu (wag w sieci neuronowej, współczynników w regresji, podziałów w drzewie klasyfikacyjnym). Zwykle ten zbiór danych jest największy.

Zbiór walidacyjny (dane walidacyjne, próba walidacyjna, zestaw walidacyjny) służy do dostrajania hiperparametrów modelu i monitorowania jego wydajności w trakcie treningu (np. w celu zapobiegania przeuczeniu).

Przykładem hiperparametru w sztucznych sieciach neuronowych jest liczba jednostek ukrytych (tzw.