整合数据准备：划分、泄漏与交付检查

从分析表走向机器学习输入

积木体验站下一步想在任务开始前预测是否容易完成。模型只能使用预测时已经知道的信息，例如积木数量、任务难度和此前练习次数；本次最终用时和是否领取完成贴纸发生在结束后，不能当作开始前的输入。用于预测的输入叫特征，用来学习和核对结果的目标叫标签。标签是本次是否完成。字段出现在表里，不代表就能合法用于预测；必须问它是在什么时候、通过什么流程获得的。预测问题的时间点是筛选特征的重要依据。

三个数据集合承担不同职责

训练集用于学习参数和数据处理规则，验证集用于选择模型、阈值或设置，测试集用于在方案确定后进行相对独立的最终评估。若反复查看测试成绩并按它修改方案，测试数据也参与了选择，就失去原先独立检查的作用。划分比例没有放之四海而皆准的答案，小样本尤其要关注各类别是否足够。可以先用十条虚构记录练习概念，但不要把这样的小测量包装成可靠的真实表现。最终应同时报告划分方式、数量和评估限制。

重复角色和时间顺序会影响划分

假设虚构角色甲有四次尝试，随机按行划分后，甲的前三次进入训练，第四次进入测试。模型可能记住甲的稳定特点，而测试目标原本是新角色，这样得分就会偏乐观。如果要评估对陌生角色的预测，应该按角色分组，使同一角色全部落在一个集合。若目标是预测下一批活动，则可按批次时间先后划分，训练使用较早批次，测试使用较晚批次。分组划分和时间划分回答不同问题，不能只为了分数好看选择容易的那种。

清洗规则也可能偷偷使用答案

把所有记录先求用时均值，再用这个均值填充训练缺失，已经让测试分布影响了训练流程。更稳妥的是先划分，在训练集计算填充值、类别编码表和缩放尺度，然后原样应用到验证与测试。测试出现未见类别时，要按预先定义的未知类别规则处理，不能为了让结果更好看重新训练全部流程。特别要排除直接暴露标签的字段，例如完成贴纸编号，因为有贴纸几乎等于已完成。模型看似预测准确，实际只是读取事后答案。

交付一份别人能复核的数据包

数据交付不只是一个干净表，还应包含问题定义、字段字典、来源性质、清洗日志、划分清单与质量检查。检查项目可以包括唯一编号无重复、分钟单位统一、标签允许值一致、每组样本数可见、所有特征在预测时可获得。保留原始版与处理版，不覆盖无法确认的异常；记录处理规则只从训练集学习。最后明确数据是虚构教学材料，不能支持真实部署决策。这样的流程把零散统计连接成一条证据链，也为下一模块的数学与模型评估提供可靠起点。