Data Leakage
Test verisine ait bilginin yanlışlıkla eğitim sürecine karışması sonucu modelin performansının yanıltıcı şekilde yüksek görünmesi.
Veri sızıntısı (data leakage), normalde modelin eğitim sırasında erişmemesi gereken, test veya gerçek dünya kullanımına ait bilginin, yanlışlıkla eğitim sürecine karışması sonucu modelin performansının olduğundan çok daha yüksek ve yanıltıcı görünmesi durumudur. Bu genellikle ince, fark edilmesi zor hatalardan kaynaklanır: örneğin veriyi eğitim ve test kümelerine bölmeden önce ölçeklendirme yapmak, test kümesindeki istatistiklerin eğitim sürecine sızmasına yol açabilir; ya da bir hastane veri kümesinde aynı hastaya ait birden fazla kaydın hem eğitim hem test kümesine dağılması, modelin aslında öğrenmediği bir bilgiyi "hatırlıyormuş" gibi görünmesine neden olabilir. Zaman serisi verilerinde gelecekteki bilginin yanlışlıkla geçmişi tahmin etmek için kullanılması da klasik bir sızıntı örneğidir.
Veri sızıntısının tehlikesi, laboratuvar ortamında etkileyici sonuçlar veren bir modelin, gerçek üretim ortamına konduğunda beklenmedik biçimde kötü performans göstermesine yol açmasıdır çünkü model, gerçek dünyada asla erişemeyeceği "kopya çekme" bilgisine dayanarak öğrenmiştir. Bu sorunu önlemek için veri bölme işleminin her türlü ön işlemeden önce, dikkatli ve veri kümesinin yapısına uygun biçimde yapılması, makine öğrenmesi mühendisliğinin en temel ve en sık ihmal edilen disiplinlerinden biridir.
Veri sızıntısının tehlikesi, laboratuvar ortamında etkileyici sonuçlar veren bir modelin, gerçek üretim ortamına konduğunda beklenmedik biçimde kötü performans göstermesine yol açmasıdır çünkü model, gerçek dünyada asla erişemeyeceği "kopya çekme" bilgisine dayanarak öğrenmiştir. Bu sorunu önlemek için veri bölme işleminin her türlü ön işlemeden önce, dikkatli ve veri kümesinin yapısına uygun biçimde yapılması, makine öğrenmesi mühendisliğinin en temel ve en sık ihmal edilen disiplinlerinden biridir.