已验证65% 置信注意事项精确时间

若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力

3

来源数

65%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

深度学习数据归一化：全局统计 vs 逐图归一化实践指南

redditr/deeplearning2026/7/9

相关事实

待验证若将验证集或测试集数据纳入 fit，会造成数据泄露，导致模型评估结果过于乐观84% 相似待验证部分模型存在针对测试集过度优化的风险，导致榜单分数与真实场景表现出现偏差（Benchmark饱和）81% 相似待验证数据泄漏分为目标泄漏和训练-测试污染两类，会导致模型性能被系统性高估80% 相似待验证基准饱和指当模型性能提升到一定程度后，基准测试不再能够有效区分不同模型之间的能力差异79% 相似已验证双重下降现象表明，当模型参数量远超数据量时，测试误差反而可能再次下降79% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/498071

API

curl https://kongchang.com/api/v1/knowledge/claims/498071

MCP

get_claim(id=498071)