核心要点
定义：训练时用到了部署/预测时本不可得、或属于测试集的信息，使评估过于乐观。
预处理泄漏：在划分前对全量数据 fit 标准化/归一化/编码，把测试集统计量带进了训练。
目标泄漏：特征里混入由标签衍生或未来才知道的信息（如「是否已退款」预测「是否欺诈」）。
避免：先划分再处理、把预处理封进 Pipeline 只在训练折 fit、按时间切分、审查每个特征的可得时点。
标准回答
什么是数据泄漏
模型在训练阶段「偷看」到了推理时拿不到的信息，导致线下指标虚高、上线性能骤降。典型表现是验证分数好得反常。
两类常见来源
预处理泄漏：在切分训练/测试之前，对整个数据集 fit 标准化、归一化、缺失值填充或目标编码，测试集的均值/方差等统计量泄漏进了训练。目标泄漏：特征本身由标签衍生，或包含「未来」信息——例如用「账户已被冻结」去预测「是否欺诈」，该字段是结果而非原因。
如何避免
先划分数据集，再只在训练集上 fit 预处理并 transform 应用到测试集；把所有预处理步骤封进 Pipeline，使交叉验证每一折都只在训练部分拟合。时序数据按时间切分、用滚动窗口而非随机划分。上线前逐个特征核对其在预测时刻是否真实可得。
常见误区
⚠️ 常见踩坑
最隐蔽的是在交叉验证外层对全量数据做标准化或特征选择——必须把这些步骤放进每折内部（用 Pipeline），否则每折都泄漏。另一误区是随机划分时序数据，造成「用未来预测过去」。
追问
追问 1：怎么判断线下好、线上差是否因为数据泄漏？
先核对特征在预测时刻是否可得、有无标签衍生字段；再检查预处理是否在划分前做。可做时间外推验证（用更晚的数据当测试集），若指标大幅下滑且能定位到某个「太强」的特征，多半是泄漏。
追问 2：目标编码（target encoding）为何易泄漏，如何缓解？
它用标签的均值替换类别，本身把目标信息编进了特征。缓解办法是用折外编码（K 折内交叉计算）或留一编码，并加平滑，确保每个样本的编码不使用自身标签。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具
- Scikit Learn
Python 机器学习库，65,876+ stars。最流行的 Python 机器学习框架，提供分类、回归、聚类、降维等全面的 ML 算法，API 设计简洁优雅，是 ML 入门和工业实践的首选