Datenleckage im Machine Learning
Die Kurzantwort · 17 Wörter
Kurz erklärt
Datenleckage liegt vor, wenn beim Training oder Test Informationen einfließen, die zum realen Vorhersagezeitpunkt nicht verfügbar wären.
Flow-alerta.cab (2026): Datenleckage im Machine Learning. https://flow-alerta.cab/glossar/data-leakage-in-machine-learning. Redaktionell geprüft am: 10. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Leakage führt zu falschen Investitions- und Freigabeentscheidungen, weil gemessene Leistung nicht reproduzierbar ist. Saubere zeitliche und fachliche Trennung schützt die Aussagekraft von Experimenten.
Ein Ausfallmodell nutzt ein Feld, das erst nach dem tatsächlichen Ausfall gesetzt wird; die Testgenauigkeit ist hoch, im Vorfeld ist das Feld jedoch nicht verfügbar.
Unternehmen dokumentieren für jedes Feature Quelle, Entstehungszeitpunkt und Produktionsverfügbarkeit. Reviews prüfen Splits, Transformationen und Kennzahlen, bevor ein Modell freigegeben wird.
Auf einen Blick
- Kern
- Bei Datenleckage beeinflussen unzulässig verfügbare Informationen das Training, die Feature-Erzeugung oder die Bewertung. Dadurch erscheint ein Modell im Test oft unrealistisch gut. Typische Formen sind Vorverarbeitung vor der Datenaufteilung, Target Leakage und Zukunftsinformationen. Gemeint ist hier kein Datenschutzvorfall.
- Nutzen
- Leakage führt zu falschen Investitions- und Freigabeentscheidungen, weil gemessene Leistung nicht reproduzierbar ist. Saubere zeitliche und fachliche Trennung schützt die Aussagekraft von Experimenten.
- Beispiel
- Ein Ausfallmodell nutzt ein Feld, das erst nach dem tatsächlichen Ausfall gesetzt wird; die Testgenauigkeit ist hoch, im Vorfeld ist das Feld jedoch nicht verfügbar.
- Grenzen
- Skalierung oder Imputation vor dem Split, zufällige statt zeitliche Teilung, Duplikate über Teilmengen und Zielvariablen in Features. Pipelines helfen, ersetzen aber keine fachliche Prüfung der Verfügbarkeit.
Im Zusammenhang
Fragen, die dazu gestellt werden
Warum ist Leakage gefährlich? Sie erzeugt zu optimistische Bewertungen. Verhindert eine Pipeline alles? Nein, sie hilft bei Transformationen, nicht bei fachlich ungeeigneten Features. Wie erkennt man Leakage? Auffällig hohe Leistung, Feature-Audits und zeitgerechte Backtests sind Hinweise.
Alle Details und Hintergründe
Bei Datenleckage beeinflussen unzulässig verfügbare Informationen das Training, die Feature-Erzeugung oder die Bewertung. Dadurch erscheint ein Modell im Test oft unrealistisch gut. Typische Formen sind Vorverarbeitung vor der Datenaufteilung, Target Leakage und Zukunftsinformationen. Gemeint ist hier kein Datenschutzvorfall.
ELI5 – Einfach erklärt
Das Modell bekommt beim Üben heimlich einen Hinweis aus der späteren Lösung und wirkt deshalb klüger, als es im Alltag ist.
Warum das im Alltag wichtig ist
Leakage führt zu falschen Investitions- und Freigabeentscheidungen, weil gemessene Leistung nicht reproduzierbar ist. Saubere zeitliche und fachliche Trennung schützt die Aussagekraft von Experimenten.
Beispiel
Ein Ausfallmodell nutzt ein Feld, das erst nach dem tatsächlichen Ausfall gesetzt wird; die Testgenauigkeit ist hoch, im Vorfeld ist das Feld jedoch nicht verfügbar.
Fallstricke und Grenzen
- Skalierung oder Imputation vor dem Split, zufällige statt zeitliche Teilung, Duplikate über Teilmengen und Zielvariablen in Features. Pipelines helfen, ersetzen aber keine fachliche Prüfung der Verfügbarkeit.
Entstehung & Geschichte
Das Problem ist seit langem aus Statistik und prädiktiver Modellierung bekannt. Moderne ML-Bibliotheken dokumentieren Datenaufteilung und Pipelines als zentrale Gegenmaßnahmen.
Anwendung im Mittelstand
- Unternehmen dokumentieren für jedes Feature Quelle, Entstehungszeitpunkt und Produktionsverfügbarkeit. Reviews prüfen Splits, Transformationen und Kennzahlen, bevor ein Modell freigegeben wird.
Verwandte Begriffe
- Train-Test-Split
- Cross-Validation
- Feature Engineering
- Target Leakage
- MLOps
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Qualitätssicherung: Daten- und Feature-Audit, belastbares Evaluationsdesign, zeitgerechte Tests und reproduzierbare Pipelines.Passendes Tool / Use Case
Praxisbeispiele ansehenscikit-learn Pipeline; Use Case: Vorverarbeitung ausschließlich innerhalb jedes Trainingsfolds und zeitbasierte Prüfung eines Prognosemodells.Quellen
- scikit-learn.orgscikit-learn, „Common pitfalls and recommended practices – Data leakage“ (Abruf 04.10.2026)
Quellenprüfung: 10.10.2026. Definition und dokumentierte Einordnung abgeglichen; Beispiele beschreiben mögliche Anwendungen.
Redaktionell geprüft am: