¿Qué es la fuga inversa (back leakage)?

La fuga hacia atrás (back leakage) en el contexto del aprendizaje automático y las pruebas de calidad de datos es una situación en la que la información relacionada con el futuro entra en el modelo o en los datos de prueba destinados a entrenar o verificar con datos pasados. Esto conduce a un rendimiento irrealistamente alto del modelo en los datos de prueba, ya que el modelo, en esencia, "mira" las respuestas del futuro.

Ejemplos de fuga hacia atrás:

• Series temporales: Incluir valores futuros de una serie temporal (por ejemplo, el precio de las acciones mañana) en las características o etiquetas para entrenar un modelo que debe predecir el pasado o el presente.
• Fuga del conjunto de prueba en el entrenamiento: Inclusión accidental de datos del conjunto de prueba en el conjunto de entrenamiento, o uso de información del conjunto de prueba al procesar el conjunto de entrenamiento (por ejemplo, escalado de características basado en estadísticas de todo el conjunto de datos, incluyendo el prueba).
• Generación de características: Creación de características basadas en datos recopilados después del momento para el cual se realiza la predicción.

Consecuencias de la fuga hacia atrás:

• Métricas de rendimiento poco realistas en los datos de prueba.
• Bajo rendimiento del modelo en condiciones reales (al aplicarlo a nuevos datos futuros).
• Conclusiones incorrectas sobre la calidad del modelo.

Prevenir la fuga hacia atrás es crucial para construir modelos confiables y realizar pruebas correctas.