ธนาคารกำลังสร้างระบบประเมินความเสี่ยงสินเชื่อ: ทีมเติมค่าที่หายด้วยค่าเฉลี่ยจากข้อมูลทั้งหมดก่อนแบ่ง train/test ข้อใดเหมาะสมที่สุด
กใช้ค่าเฉลี่ยจาก test เพราะใหม่กว่า
ขแบ่งข้อมูลก่อน แล้วเรียนรู้ค่าเติมจาก train ภายใน pipeline
คลบ test set แล้วรายงานคะแนน train
งเติมค่าที่หายด้วยค่าเฉลี่ยจากข้อมูลทั้งหมดรวมกันได้เสมอ โดยไม่ต้องคำนึงว่าจะแบ่ง train/test ก่อนหรือหลัง
เฉลยอธิบาย
พารามิเตอร์ preprocessing ต้องเรียนรู้จาก train เท่านั้นเพื่อไม่ให้ข้อมูล test รั่วเข้าสู่การฝึก ตัวเลือกอื่นละเลยลำดับเวลา การแยกข้อมูล ความหมายทางสถิติ หรือผลกระทบในการใช้งานจริง แหล่งอ้างอิงทางการ: https://scikit-learn.org/stable/common_pitfalls.html