数据泄漏

简明解释

数据泄漏（data leakage）是训练、预处理或模型选择使用了部署时不可得或按评估协议本应封存的信息，导致评估过度乐观的方法学错误。先用全表均值插补再切测试集，会让测试信息进入训练；正确做法是先划分，只在训练部分拟合预处理。[1, §11.2] 它不是个人资料被盗的“数据外泄”；随机切分也不能防止同一人的重复记录、未来信息或相关样本跨分区。

别和什么混淆

数据泄漏不等于隐私意义上的资料外泄。随机切分也不能防止未来信息、重复个体或相关样本跨分区。

在本书中

见第4章：计算、数据与数学直觉及第9章：机器学习的基本逻辑。