在应用无泄漏交叉验证之前预处理特征
Pre-processing features before applying cross-validation without leakage
我想通过交叉验证进行一些预处理（缩放、特征工程，例如目标编码）。我知道最好和理论上正确的方法是为交叉验证的每个 train/test 步骤分别预处理数据。
但是，我使用的是 H2O，除非我弄错了，否则它不允许我创建预处理管道。
A h2o documentation page on target encoding 提供了一种解决方法，以避免从训练折叠泄漏到验证折叠："The target average is calculated on the out of fold data to prevent overfitting." 因此，对给定折叠的预处理会排除来自该折叠的数据。
在我看来，这避免了从训练样本到测试样本的泄漏，但反之似乎并非如此。
我可以安全地使用此解决方法（提供#observations >> #features）还是我应该寻找另一个允许预处理管道（或手动进行交叉验证）的框架？
为了防止过度拟合，您可以将训练集的 hold_out 参数设置为 "KFOLD"，测试集的参数设置为 "None"。
有关更多详细信息，我建议您关注目标编码文档的 Holdout Type 部分。
我想通过交叉验证进行一些预处理（缩放、特征工程，例如目标编码）。我知道最好和理论上正确的方法是为交叉验证的每个 train/test 步骤分别预处理数据。
但是，我使用的是 H2O，除非我弄错了，否则它不允许我创建预处理管道。
A h2o documentation page on target encoding 提供了一种解决方法，以避免从训练折叠泄漏到验证折叠："The target average is calculated on the out of fold data to prevent overfitting." 因此，对给定折叠的预处理会排除来自该折叠的数据。
在我看来，这避免了从训练样本到测试样本的泄漏，但反之似乎并非如此。
我可以安全地使用此解决方法（提供#observations >> #features）还是我应该寻找另一个允许预处理管道（或手动进行交叉验证）的框架？
为了防止过度拟合，您可以将训练集的 hold_out 参数设置为 "KFOLD"，测试集的参数设置为 "None"。
有关更多详细信息，我建议您关注目标编码文档的 Holdout Type 部分。