数据泄漏指训练时用到了预测时拿不到的信息，导致离线评估虚高、上线效果暴跌。它隐蔽性强，往往在模型上线后才暴露，是模型评估中最需要警惕的问题之一。
常见泄漏是时间穿越。用未来数据计算用户历史统计特征，或随机划分时间序列数据，都会让模型提前看到答案。正确做法是按时间切分，并确保特征只使用预测时刻之前的信息。
另一种泄漏来自预处理顺序。在划分数据集之前做归一化、填充缺失值或特征选择，会让验证集信息渗入训练过程。这些步骤应在训练集上拟合，再应用到验证集和测试集。
目标泄漏也很常见。某个特征在业务上是结果而非原因，比如用退款标记预测欺诈，而退款恰恰发生在欺诈确认之后。这类特征上线时不可用，必须剔除。
防范泄漏要靠流程审查：画特征时间线，确认每个特征的可用时点；做时间外验证；对比线上线下指标差异。发现离线远高于线上时，首先排查泄漏。
