בהקשר של למידת מכונה ואינטליגנציה מלאכותית, שונות (Variation) נוגעת להבדלים או לשינויים שנצפו בנתונים, במודלים או בתוצאות. זה יכול להתייחס לגיוון המובנה במערכי נתונים או השונות בתוצאות המופקות על ידי אלגוריתמים. הבנת הווריאציות היא חיונית מכיוון שהיא משפיעה על הדיוק, המהימנות וההכללה של מודלים. לדוגמה, שונות גבוהה בנתוני האימון יכולה לספק מבט מקיף יותר של תרחישים שונים, ולהפוך את המודל להתאמה יותר למצבים מגוונים. מצד שני, וריאציה מוגזמת עקב רעש או חריגים עלולה להוביל להתנהגות לא יציבה או לא מדויקת של המודל.
כאשר דנים במודלים, וריאציה יכולה להתייחס להבדלים בביצועים כאשר הם מאומנים על תת-קבוצות שונות של נתונים או כאשר משתמשים בפרמטרים ראשוניים שונים. שונות זו יכולה להיות תוצר לוואי של אקראיות באלגוריתמים או המורכבות המובנית של הנתונים. בשיטות אנסמבל, מינוף השונות בין דגמים מרובים יכול להיות מועיל. על ידי שילוב של מודלים שונים שיש להם הבדלים קלים בתחזיות שלהם, ניתן לעתים קרובות לייצר תוצאה מצטברת יציבה ומדויקת יותר, תוך ניצול יעיל של נקודות המבט המגוונות שמציעה הווריאציה.
