Чем опасен data leakage при обучении?

Проверяет основы машинного обучения и оценку моделей.

Варианты ответа

• Модель использует информацию из будущего или напрямую связанную с таргетом, поэтому качество на валидации завышено и не воспроизводится в проде
• Модель обучается медленнее, но качество в проде остается тем же, что и на валидации
• Нельзя посчитать ROC-AUC, потому что метрика становится некорректной по определению
• Размер датасета увеличивается, но структура признаков и качество модели не меняются

Разбор ответа

Получить доступ к ответам — все вопросы →

Что дальше

• Раздел практики →
• Все 3000+ вопросов с разбором →

Похожие вопросы из категории «ML»

• Как диагностировать переобучение модели и какие приёмы помогают его предотвратить?
• Перечислите основные способы регуляризации и объясните, когда применять каждый.
• Объясните разницу между precision и recall.
• Как выбрать между ROC-AUC и PR-AUC для оценки модели классификации?
• В чём принцип градиентного бустинга и почему он так популярен в продуктовой аналитике?
• Как SHAP values помогают объяснить предсказание модели для конкретного пользователя?
• В каких задачах kNN работает хорошо и каковы его ограничения?
• Какие методы оценки важности признаков существуют и чем они отличаются?

Полезные блог-статьи по теме

• DataLens продвинутый: RLS, ML-датасеты, embed-аналитика, custom CSS
• Вопросы собеса в VK на аналитика 2026: 25+ реальных + разбор