Data Leakage
تسرب البيانات
التعريف
وصول معلومات من بيانات الاختبار أو من المستقبل إلى عملية التدريب، فيظهر أداء متفائل لا يتحقق عند الاستخدام الفعلي.
من أسبابه: تطبيع البيانات أو اختيار الخصائص على كل البيانات قبل التقسيم، ووجود خاصية تكشف الإجابة بصورة غير مباشرة، وتكرار الأمثلة بين التدريب والاختبار، واستخدام معلومات مستقبلية في السلاسل الزمنية.
يُتجنب بتقسيم البيانات أولاً وبناء خطوات المعالجة داخل خط أنابيب يُدرَّب على التدريب فقط.
Definition
Data leakage occurs when information outside the training data, such as test-set statistics or future information, is used to build the model, producing overly optimistic performance estimates.
شرح مبسّط للمبتدئين
كطالب رأى أسئلة الامتحان مسبقاً: نتيجته ممتازة لكنها لا تعني أنه فهم المادة.
شرح أكاديمي متخصص
يخرق الفرض الأساسي بأن عينة الاختبار مستقلة عن عملية التدريب؛ فيصبح تقدير خطأ التعميم متحيزاً نحو التفاؤل.
أمثلة عملية
- حساب متوسط الخاصية على كل البيانات قبل التقسيم.
التطبيقات والاستخدامات
- مراجعة خطوط معالجة البيانات.
المزايا
- فهمه يحمي من نتائج مضللة.
القيود والعيوب
- يصعب اكتشافه أحياناً حتى يفشل النموذج عند النشر.
