HaiAI123

全球AI工具精选导航

行业动态
25
热度指数
持平

开发者复盘数据泄漏:预处理做在划分前使离线分虚高 4.2 个点

2026/11/14 — 11/14 10:18·1 个来源(全部)·1 篇报道(全部)

核心速览 (Key Takeaways)

  • 作者用 digits 构造不平衡数据集做对比实验:先全集 SMOTE 再划分,离线宏 F1 为 0.968、线上仅 0.819;
  • 先划分再在训练集内 SMOTE,则为 0.926 与 0.786,泄漏让离线分虚高 4.2 个点。
  • 作者也报告归一化泄漏在该数据上零差距,并主张先划分、把预处理放进 Pipeline。

事件背景与详细解读

2026 年 11 月 14 日,博客园发布《AI 工程师踩坑实录》系列第 7 篇,作者用 digits 手写数字构造不平衡数据集,对数据泄漏的虚高幅度做了一组控变量实验。多数类 0 到 6 各 175 张,少数类 7 到 9 各 12 张,用 SMOTE 过采样补齐少数类,两组使用同一个网络与同一个随机种子,训练集基础完全一致,唯一差异是泄漏组额外混入 96 张由测试集样本与其近邻插值生成的合成样本,以此复刻「全集 SMOTE 再划分」这一做法的后果:在全部数据上过采样再划分时,SMOTE 的插值来源已包含后来分进测试集的样本,合成样本成为测试样本的近亲并进入训练集。

实验结果显示,先划分、在训练集内 SMOTE 的正确做法,离线宏 F1 为 0.926,线上新数据为 0.786;而先在全集上过采样再划分的泄漏做法,离线宏 F1 为 0.968,线上新数据为 0.819,泄漏使离线分多报 4.2 个点。作者同时如实报告,归一化泄漏在该数据上未带来差距。据此,作者主张把划分放在流程第一行、把预处理塞进 Pipeline、上线前用 holdout 做最终评估,配套对照实验脚本发布于其公众号。

AI 综合 1 篇报道生成 · 更新于 3 天前

updream
24 小时热度热度指数 25
刚上榜,走势正在积累
24 小时前现在

这件事的报道 点标题看原文

11月14日
  1. 作者用 digits 构造不平衡数据集做控变量实验,对比「先划分再在训练集内 SMOTE」与「全集 SMOTE 再划分」:后者离线宏 F1 为 0.968、线上新数据 0.819,前者为 0.926 与 0.786,泄漏让离线分多报 4.2 个点。作者也如实报告归一化泄漏在该数据上零差距,并主张划分永远是第一行、预处理塞进 Pipeline。

    一条今天就能改掉的评估泄漏,附量化对照。

    博客园AI 评分 64

同时在说的其他事

热度怎么算的?了解口径

热度按 48 小时内有多少个独立来源在说这件事算:同一个来源发多条只算一次,并按 24 小时半衰期衰减,所以排前面的是很多人在说的事。

本页汇总公开订阅源,标题与摘要由模型整理,版权归原作者所有;重要信息请回原文核对。如权利人认为相关标题或摘要侵权,请通过页尾联系邮箱提供具体页面与权利依据,我们核实后会及时删除或替换。

爆
讨论快速增加
新
首报 6 小时内
发酵中
讨论仍在增加

回 AI 行业动态榜 →