一句话定义：数据泄漏（Data Leakage）指在训练模型时，不小心把"预测时拿不到的信息"混进了特征或训练流程，导致离线评估分数虚高、真实上线表现塌方。
它到底怎么发生的
先做个比方。你在家模拟考试，允许自己边答题边翻课本最后的答案页，结果每套卷子都考 98 分。可真正考试时答案页被撕掉了，你才发现自己其实什么都不会。模型也一样：训练时它"见过"了本不该见的东西，于是学到的不是规律，而是作弊路径。
常见的几种形态：
| 形态 | 具体表现 | 生活化对照 |
|---|---|---|
| 目标泄漏 | 某个特征本身就是答案的组成部分或直接后果 | 预测"是否会违约"，却把"催收记录"当特征 |
| 时间泄漏 | 用了预测时间点之后才产生的数据 | 预测明天股价，却喂入了后天的成交量 |
| 预处理泄漏 | 归一化、填充缺失值、特征筛选时用了全量数据（含验证集） | 考前用整套真题的统计规律来押题 |
| 重复样本泄漏 | 同一用户/同一订单的样本同时出现在训练集和验证集 | 背过的题原样出现在考卷上 |
它和"过拟合"不是一回事
很多人把两者混为一谈，但它们的病根不同。过拟合是模型把训练数据的噪声也学得太细，特征是合法的，只是学过头；数据泄漏是信息本身不该出现，特征越强，泄漏越严重。而且过拟合通常训练分高、验证分低；泄漏往往训练分和验证分一起高，看上去特别"健康"，这才是它最坑的地方——它用一个漂亮的数字掩盖了真实问题。
真实世界的代价
在信贷、医疗、电商推荐、风控这类业务里，泄漏的后果不是学术上的，而是直接的决策失误：评估显示准确率很高，团队据此排期上线、写进汇报；上线后效果腰斩，用户投诉、资损扩大，排查时又要花掉大量时间。更糟的是，泄漏常常藏在数据处理管线里，代码看起来毫无破绽。
从业者的自查清单
- 时间切分优先于随机切分：只要数据带时间属性，就用"过去训练、未来验证"，别随机打乱。
- 特征要过一遍"预测时刻可得性"测试：这个值在真正要预测的那一刻，拿得到吗？
- 所有预处理只在训练集上 fit，再 transform 到验证集和测试集。
- 按实体去重：同一用户、同一店铺、同一设备不要跨界。
- 对异常高的分数保持怀疑：先问"是不是偷看了答案"，再谈调参。
- 上线前做一次时间上更靠后的"留出集"复验，具体口径以你们的评估规范为准。
一句话记住：模型在上线那一刻能拿到的信息，才是它该学的东西。