مجموعه آزمون داده‌هایی است که تا زمان ارزیابی نهایی نباید برای آموزش یا انتخاب مکرر مدل استفاده شوند. هدف آن برآورد عملکرد روی داده‌های دیده‌نشده است.
اگر بارها بر اساس نتایج Test Set مدل را تغییر دهیم، این مجموعه عملاً به ولیدیشن تبدیل می‌شود و استقلال ارزیابی از بین می‌رود.
در عمل چه اتفاقی می‌افتد؟
اگر مدل پس از هر تغییر روی Test Set ارزیابی و دوباره تنظیم شود، Test Set دیگر معیار مستقل نخواهد بود.
برای تکمیل بحث، ارتباط این مفهوم را با دیتاست و ترینینگ ست بررسی کنید.