โรงพยาบาลกำลังสร้างระบบคัดกรองผู้ป่วย: ทีมเติมค่าที่หายด้วยค่าเฉลี่ยจากข้อมูลทั้งหมดก่อนแบ่ง train/test ข้อใดเหมาะสมที่สุด
กลบ test set แล้วรายงานคะแนน train
ขเติมค่าที่หายด้วยค่าเฉลี่ยจากข้อมูลทั้งชุดได้เสมอ โดยไม่ต้องแบ่ง train/test ก่อน
คใช้ค่าเฉลี่ยจาก test เพราะใหม่กว่า
งแบ่งข้อมูลก่อน แล้วเรียนรู้ค่าเติมจาก train ภายใน pipeline
เฉลยอธิบาย
พารามิเตอร์ preprocessing ต้องเรียนรู้จาก train เท่านั้นเพื่อไม่ให้ข้อมูล test รั่วเข้าสู่การฝึก ตัวเลือกอื่นละเลยลำดับเวลา การแยกข้อมูล ความหมายทางสถิติ หรือผลกระทบในการใช้งานจริง แหล่งอ้างอิงทางการ: https://scikit-learn.org/stable/common_pitfalls.html