您是否对完美或接近完美的模型表现不知所措？你的快乐被出卖了吗?
简而言之，当您要预测的信息直接或间接出现在训练数据集中时，就会发生标签泄漏或目标泄漏。它会导致模型夸大其泛化误差，并极大地提高了模型的性能，但模型对于任何实际应用都毫无用处。
数据泄漏如何发生
最简单的示例是使用标签本身训练模型。在实践中，在数据收集和准备过程中无意中引入了目标变量的间接表示。触发结果的特征和目标变量的直接结果是在数据挖掘过程中收集的，因此在进行探索性数据分析时应手动识别它们。
数据泄漏的主要指标是“太好了，不能成为现实”模型。由于该模型不是最佳模型，因此在预测期间最有可能表现不佳。
数据泄漏不仅可以通过训练特征作为标签的间接表示来实现。也可能是因为来自验证或测试数据的某些信息保留在训练数据中，或者使用了来自将来的历史记录。
标签泄漏问题的示例
通过此人关联银行账号的特征来预测是否会开设银行帐户
在客户流失预测问题中，事实证明，无论客户是否流失，称为“采访者”的功能都是最好的指示。模型表现不佳的原因是此“采访者”是仅在客户确认他们打算流失之后才分配调查人员。
如何应对标签泄漏
1、删除它们或添加噪音以引入可以平滑的随机性
2、使用交叉验证或确保使用验证集在看不见的实例上测试模型。
3、使用管道处理而不是缩放或变换整个数据集。当基于提供的整个数据集按比例缩小特征时，例如使用最小-最大缩放器，然后应用训练和测试分割，缩放的测试集还包含来自缩放的训练特征的信息，因为最小值和最小值 使用了整个数据集的最大值。因此，始终建议使用管道来防止标签泄漏。
4、根据保留数据测试模型并评估性能。就基础架构，时间和资源而言，这是最昂贵的方式，因为必须使用正确的方法再次执行整个过程。
总结
数据泄漏是最常见的一种错误和可能发生的特性工程,使用时间序列,数据集标签,并巧妙地通过验证信息训练集。重要的是机器学习模型仅仅是接触信息可用时的预测。因此，明智的做法是仔细挑选特性，在应用转换之前分割数据，避免在验证集上拟合转换，并使用管道处理。
对此感兴趣的同学可以查看本篇论文：
作者：Nabanita Roy
deephub翻译组