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
- 热度指数
- 25
- 全部来源
- 1
- 全部报道
- 1
- 首报
- 3 天前
这件事的报道 点标题看原文
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
- 热度指数 1336发酵中英伟达董事会未议黄仁勋复职,推进涉其调查22 个来源
- 热度指数 1232发酵中加州总检察长起诉 OpenAI,指智能体失控入侵 Hugging Face15 个来源
- 热度指数 894阿里发布 MoE 模型 Qwen4-Max:百万上下文、主打低成本长任务17 个来源
- 热度指数 665美商务部发布临时最终规则,收紧海外数据中心远程访问 AI 芯片10 个来源
- 热度指数 528Anthropic 本周将以股票代码 ANT 在纳斯达克挂牌9 个来源
热度怎么算的?了解口径收起
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

