讲师中心 微信公众号

工具推荐

视频效率加速
剧云
剧云

中文短剧剧本制作平台

立刻MV
立刻MV

低成本歌曲 MV、视频生成

SoundView
SoundView

字幕擦除翻译、配音口型同步

Laper
Laper

剧本策划到成片协作

如何在Python中防止交叉验证时发生严重的数据泄漏

大萱姑娘_9713

大萱姑娘_9713

发布时间:2026-11-22 07:03:38

|

342人浏览过

|

来源于php中文网

原创

最常见的数据泄漏发生在交叉验证前对整个数据集调用fit_transform,导致预处理器“偷看”验证集统计量;正确做法是将StandardScaler等封装进Pipeline,由cross_val_score在每折内独立fit训练子集并transform同折的训练与验证数据。

如何在python中防止交叉验证时发生严重的数据泄漏

交叉验证时 fit_transform 和 fit 混用导致泄漏

最常见的泄漏发生在预处理步骤——比如用 StandardScaler 或 OneHotEncoder 时,在整个数据集上调用了 fit_transform,再传给 cross_val_score 或 cross_val_predict。这会让缩放器“看到”所有数据的统计量(均值、方差、类别频次等),后续每折验证时实际使用的变换参数已包含验证样本信息。

正确做法是把预处理和模型封装进 Pipeline,确保每次训练折只用该折的训练子集 fit 预处理器:

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
<p>pipe = Pipeline([
('scaler', StandardScaler()),  # 注意:这里不调用 fit_transform
('clf', RandomForestClassifier())
])
scores = cross_val_score(pipe, X, y, cv=5)  # cross_val_score 内部自动按折分别 fit/scaler
  • StandardScaler 在 Pipeline 中只会对每折的训练数据调用 fit,再用该结果 transform 同一折的训练和验证数据
  • 手动在全量 X 上先 scaler.fit_transform(X) 再交叉验证,等于提前“偷看”了验证集分布
  • 对时间序列或分组数据,还需配合 GroupKFold 或 TimeSeriesSplit,否则 Pipeline 也救不了按时间混排的泄漏

使用 cross_val_predict 时误用 predict_proba 返回未校准概率

cross_val_predict 默认返回的是各折中模型对验证样本的预测结果拼接,但若直接拿它算 AUC 或做阈值分析,容易忽略一个关键事实:不同折的 predict_proba 输出不是同分布校准过的——因为每折模型独立训练,其输出置信度尺度不一致。

这不是数据泄漏,但会严重误导评估结论,尤其在需要概率解释的场景(如风控评分):

立即学习“Python免费学习笔记(深入)”;

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • 如果必须用 cross_val_predict(..., method='predict_proba'),建议后续接 CalibratedClassifierCV 重新校准,或改用 cross_val_score + scoring='roc_auc' 直接算指标
  • 避免对 cross_val_predict 的概率输出做全局排序或设定统一阈值——不同折的 0.6 可能代表完全不同的风险等级
  • 某些模型(如 LogisticRegression)本身输出较准,但 RandomForestClassifier 默认 predict_proba 是简单频率估计,更需警惕

自定义 CV 划分时忽略样本间依赖关系

当数据存在自然分组(如同一用户多条记录、同一医院多个病人、同一文本的不同句子),标准的 KFold 会把同组样本拆到训练/验证两部分,造成隐性泄漏。模型在训练时“见过”某用户的行为模式,又在验证时判别该用户的新样本,评估结果必然虚高。

解决方法不是换预处理器,而是换划分策略:

  • 用 GroupKFold,并传入 groups 参数明确标识每个样本所属组(如 user_id 数组)
  • 对时序数据,禁用 Shuffle=True,改用 TimeSeriesSplit,确保训练窗口永远在验证窗口之前
  • 检查 groups 向量长度是否等于 X.shape[0],常见错误是传入了聚合后的 group list,导致索引错位
  • 如果组标签本身有泄露风险(比如用未来信息生成的分组),得先重构分组逻辑,而不是只换 CV 类

特征工程函数里偷偷引入全局统计量

很多自定义特征函数看似无害,实则暗藏泄漏:比如写了个 add_user_avg_purchase 函数,内部直接用 df.groupby('user_id')['amount'].transform('mean') 对全量 df 计算,然后才切训练/验证集。这相当于把验证用户的平均消费额提前塞进了训练特征。

这类泄漏不会报错,但会让线下指标和线上效果差距巨大:

  • 所有基于全局聚合的特征(用户均值、商品点击率、时间滑动窗口统计)都必须在每折训练集内单独计算,再用相同逻辑 transform 验证集
  • 推荐用 sklearn.base.TransformerMixin 封装,并在 fit 中只存训练集统计量(如 self.user_means_ = X_train.groupby('user_id')['val'].mean()),在 transform 中用 .map() 填充,未见用户填 np.nan 或全局均值
  • 调试时可打印某折训练集的 user_id.nunique() 和验证集的,若验证集出现大量训练集未见的 user_id,说明特征逻辑可能已失效,需检查填充策略

真正难防的泄漏往往藏在一行聚合代码里,而不是模型调用本身。每次加新特征,都要问一句:这个值在真实线上服务时,能不能仅靠当前请求及历史训练数据算出来?

热门AI工具

更多
Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

Lovart
Lovart Hot

一款面向视觉设计创作的AI设计平台,可通过智能体和画布工作流辅助制作海报、Logo、网页、PPT及其他视觉内容。

UpDream
UpDream Hot

一款AI视频创作工具,主要用于哔哩哔哩推出的自研AI视频创作工具,适合需要提升相关任务效率的用户。

函子Zion

一款支持AI搭建、可视化编辑和多端发布的全栈无代码开发平台。

SkildArt
SkildArt Hot

SkildArt是一款AI文本写作工具,一站式 AI 视觉创作平台。

Seko
Seko Hot

一款AI视频创作工具,主要用于商汤科技推出的创编一体的AI短视频创作Agent,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1971

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5664

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1929

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34757

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4047

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4067

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

Navicat创建数据库教程
Navicat创建数据库教程

本专题整理Navicat创建数据库相关教程,介绍新建前的准备、基础设置和创建后的检查方法。内容兼顾入门学习及实际使用需求,帮助用户了解不同数据库类型下的操作差异,为后续建表、保存数据和日常管理提供参考。

0

2026.11.20

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn