Recherche quantitative · Département éditorial KAEL
Fuite de données : raccourcis invisibles dans l’évaluation des modèles
Les fuites de données exposent les modèles à des informations dont ils ne devraient pas avoir connaissance lors de l'évaluation. Cela peut améliorer considérablement les résultats expérimentaux, mais ne peut pas être reproduit dans de nouveaux environnements.
Dépannage à partir du flux de traitement
Si toutes les données sont d'abord utilisées pour calculer les paramètres de normalisation, puis que les ensembles de formation et d'évaluation sont divisés, les informations d'évaluation peuvent entrer dans le processus à l'avance. La plage d'installation du processeur doit également être cohérente avec la plage d'entraînement du modèle.
Vérifier des exemples de relations
Les segments temporels adjacents ou les entités répétitives peuvent être très similaires. Un simple partitionnement aléatoire fera apparaître des échantillons pertinents des deux côtés, rendant la tâche d'évaluation plus facile que les applications réelles.
Créer des règles de quarantaine
Encapsulez le partitionnement des données, le calcul des fonctionnalités et l’évaluation dans des processus fixes. Toutes les fonctionnalités ajoutées indiquent quand elles seront disponibles et comment elles ont été générées, permettant ainsi un examen avant l'expérimentation.
