数据泄漏
模型借用了实际预测时不该知道的信息，成绩可能因此虚高。
用过去的完整记录来学习，但每项输入都要问：在当时做预测的那一刻，拿得到吗？
输入和答案要分开：历史记录中的“是否故障”是训练时用来对答案的标签；机龄等用来预测的数据才是输入（特征）。
同一批设备，同一场“考试”
300 条教学记录：200 条用来学习（训练集），另留 100 条打分（测试集）。
只用现在能拿到的数据
机龄、振动、温度、压力波动
再加入下周的维修时长
多了一条未来才有的线索
AUC 看区分能力：越接近 1，越能把会故障的设备排在前面；0.5 约等于随机排序。它不是准确率。
展开 ROC 曲线（可选）
每条曲线都来自上面的 100 条测试记录。横轴看误报，纵轴看查出；虚线表示随机排序。
换一台现在刚来的设备
机龄、振动、温度等可以测；下周的维修还没发生，维修时长未知。
记住这条判断，再认识其他泄漏
表里有这一列，不代表预测时就能用。先确定预测时点，再核对每项输入的来源和产生时间。
本页的训练设备与测试设备已经分开，泄漏仍会发生，因为输入里带着未来信息。其他常见泄漏还包括：同一对象的相关记录跨组，以及先用全部数据学习填补或标准化规则、再划分。
概念参考：scikit-learn 数据泄漏说明 ↗文字版：数据泄漏在做什么
数据泄漏是指模型在训练时用到了「真正做预测的那一刻拿不到」的信息。它最危险的地方在于：模型不会报错，成绩还特别好看，一直要等到上线之后才发现全不对。这一页用同一批设备做对照实验，让你看见这个虚高是怎么来的。
画面上正在发生什么
左右两个模型用的是同一批设备、同一次划分、同一个算法，唯一的差别是右边多了一列「下周的维修时长」。这一列在真正要做预测的那一刻根本不存在——设备还没坏，维修还没发生。但它和「会不会故障」高度相关，于是模型的 AUC 立刻蹿上去。
把这个勾取消再看一次：AUC 掉回一个平实的水平。那个平实的数字才是这个模型的真实能力。判断标准只有一句话：在当时做预测的那一刻，这个数据拿得到吗？
什么时候它会骗你
- 未来信息泄漏最常见。「住院总天数」用来预测住院时长、「退款金额」用来预测是否退款、「维修记录」用来预测是否故障——这些列都是结果的一部分，不是预测它的线索。
- 预处理泄漏最隐蔽。在划分训练测试集之前做标准化、缺失值填补、特征选择或过采样，测试集的信息就已经通过统计量渗进了训练过程。正确做法是把所有预处理放进只在训练集上拟合的流水线里。
- 同源样本泄漏最容易被忽略。同一个病人的多次就诊、同一张图像的多个裁剪、同一个用户的多条记录，如果被分到训练集和测试集两边，模型认出的是这个个体，不是这类个体。
常见问题
- 怎么判断一个特征算不算泄漏？
- 问一句：在真实上线、需要做出这个预测的那一刻，这个值已经产生了吗？拿不到的就是泄漏。另一个信号是这个特征的重要性高得离谱、或者去掉它成绩就崩——这类特征值得逐个追查它的产生时间。
- 模型成绩好到什么程度该起疑？
- 没有绝对界限，但在真实业务数据上 AUC 超过 0.95、准确率超过 95%，通常先怀疑泄漏而不是先庆祝。尤其是当这个问题本身公认很难、或者同类研究报告的成绩明显更低时。
- 已经发现泄漏了，怎么补救？
- 删掉泄漏特征重跑是第一步，但往往不够——要顺着这个特征的产生流程往回查，看还有没有别的列携带同样的信息。如果泄漏发生在划分或预处理环节，整条流水线都要重做，之前所有基于这批结果的结论都不能用。
本页使用 300 条教学合成记录（200 条训练、100 条测试），两个 AUC 由页面用逻辑回归实时计算，不代表真实设备的故障预测性能。