Target Leakage 数据泄露

Target Leakage：在准备数据的时候，或者数据采样的时候出了问题，误将与结果直接相关的feature纳入了数据集。

一般target leakage会导致数据在训练集上表现很好，但是当运用到实际上时，表现会很差。

举个例子，

Imagine you want to predict who will get sick with pneumonia. The top few rows of your raw data look like this:

是否得肺炎	age	weight	male	是否服用抗生素	...
False	65	100	False	False	...
False	72	130	True	False	...
True	58	100	False	True	...

第一列是否得肺炎 便是y,其他列为X.

很明显可以看出，是否得肺炎 和 是否服用抗生素 两者有着很强的因果关系，基本上没病的都不会去喝抗生素。这就是所谓的target leakage.

解决方法：

1.统计分析与目标相关的列；

2.如果你建立一个模型并发现它非常精确（比如大于98%以上），可能有一个数据泄漏问题；
3.在交叉验证折叠中使用原始没进过预处理的数据；
4.使用Pipelines（一个典型的机器学习过程从数据收集开始，要经历多个步骤，才能得到需要的输出。这非常类似于流水线式工作，即通常会包含源数据ETL（抽取、转化、加载），数据预处理，指标提取，模型训练与交叉验证，新数据预测等步骤）。比如： scikit-learn Pipelines；

5.使用Holdout Dataset。在使用模型之前，保留一个未使用过的的验证数据集作为对模型的最终健全性检查。

其实没有标准的解决方案可以普遍地防止target leakage，它需要的是对数据的深入了解。

-------------------------------------------------------------------------

这是一个kaggle上的练习，有空可以做一下。

-------------------------------------------------------------------------