---
title: "目標洩漏（Target Leakage）"
slug: target-leakage
language: zh-TW
source: https://aiterms.tw/terms/target-leakage
updated_at: 2026-07-04
tags: [模型訓練, 特徵工程, 模型評估, 資料處理, source:ipas]
ipas_term: true
---

# 目標洩漏（Target Leakage）

訓練模型時，不小心納入在預測時無法獲取的未來或結果資訊，導致模型過度樂觀。

## 完整說明

目標洩漏是一種模型訓練中的常見問題，指在建立預測模型時，特徵中包含了在實際預測時無法取得的、與目標變數直接或間接相關的未來資訊。這會導致模型在訓練集上表現極佳，但在實際部署時效能大幅下降。常見應用於金融詐欺偵測、醫療診斷與客戶流失預測等領域。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 如何識別數據集中的目標洩漏？

識別目標洩漏需多方面審查。首先，檢查特徵與目標變數的時間關係，確保特徵資訊在預測時點是可用的。其次，若模型在訓練集上表現異常優異，而在驗證集或測試集上急劇下降，這可能是洩漏的強烈訊號。可透過特徵重要性分析，若某特徵重要性異常高且與目標變數存在不自然的強相關，需深入調查。領域知識也至關重要，能判斷哪些特徵在邏輯上不應在預測時出現。嚴格的時間序列劃分和仔細的交叉驗證策略也能幫助揭露洩漏。

### 目標洩漏對模型性能有何影響？

目標洩漏會導致模型性能評估嚴重失真，並在實際部署時徹底失敗。模型在訓練階段會「學會」利用洩漏資訊來預測，導致訓練集上的準確度、F1分數或R²值虛高。然而，當模型應用於真實世界數據，這些洩漏資訊不再可用時，模型將無法做出有效預測，其性能會遠低於預期，甚至不如隨機猜測。這不僅浪費了開發資源，還可能導致基於錯誤預測的決策失誤，造成嚴重後果。

### 目標洩漏總是一個問題嗎？它有時會有用嗎？

目標洩漏在預測性建模中幾乎總是一個嚴重的問題，因為它破壞了模型的泛化能力。其核心問題在於模型學會了依賴未來或結果資訊，而非獨立的預測因子。因此，在實際應用中，它會導致模型失效。然而，在某些描述性或診斷性分析中，如果目的是理解特徵與結果之間的關係，而非預測，那麼包含所有相關資訊可能是有用的。但即便如此，也需明確區分其用途，避免將此類模型用於預測。

---

來源：https://aiterms.tw/terms/target-leakage
快查頁：https://aiterms.tw/terms/target-leakage
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-target-leakage