创建合成数据是整个过程的一部分；确保其质量以及对机器学习 (machine learning)任务的适用性，是另一个必要的步骤。仅仅生成数据是不够的。我们需要方法来判断合成数据是否准确反映了真实数据的特征，以及它是否能有效用于模型训练。

本章着重介绍评估生成数据的方法。你将了解评估的重要性，并研究几种技术。我们将介绍使用图表进行的可视化检查，以及基础的统计比较，例如检查合成数据集中特征的均值 ($\mu$) 或标准差 ($\sigma$) 是否与原始数据一致。此外，我们还将介绍比较数据分布的方法，例如使用直方图或密度图。最后，我们将讨论数据保真度（合成数据与真实数据相似的程度）和效用（合成数据对于特定机器学习目标的有效性）之间重要的区别。