Özellik Mühendisliğinde Veri Sızıntısını (Data Leakage) Yakalama Kılavuzu

Veri Sızıntısı Data Leakage, bu yazıda ele aldığımız konunun tam merkezinde yer alıyor; aşağıdaki başlıklarda konuyu uygulanabilir adımlarla ele alıyoruz.

Test setinde %98 doğruluk, üretimde %65 — veri biliminde bu senaryonun en sık nedeni algoritma seçimi değil, veri sızıntısıdır: modelin normalde bilmemesi gereken bir bilgiye eğitim sırasında dolaylı olarak erişmesi.

Zaman sızıntısı

Zaman serisi verilerinde eğitim ve test setini rastgele bölmek, geleceğe ait bilginin geçmişi tahmin etmek için kullanılmasına yol açar. Bir kredi risk modelinde gelecekteki bir ödemenin bilgisi yanlışlıkla geçmiş bir özelliğe sızabilir.

# Yanlış: rastgele bölme zaman serisinde sızıntıya yol açar
X_train, X_test = train_test_split(X, shuffle=True)

# Doğru: zamana göre bölme
cutoff = '2026-01-01'
X_train = df[df.date < cutoff]
X_test  = df[df.date >= cutoff]

Hedef sızıntısı

Hedef değişkenin (ya da onun doğrudan türevinin) yanlışlıkla özellik olarak eklenmesi klasik bir hatadır. Örneğin "iptal edildi mi" hedefini tahmin ederken "iptal tarihi" alanının doluluğunu özellik olarak kullanmak, modelin cevabı zaten görmesi anlamına gelir.

Grup sızıntısı

Aynı hastanın, aynı müşterinin veya aynı cihazın birden fazla kaydı hem eğitim hem test setinde bulunuyorsa, model gerçek genelleme yapmak yerine o varlığı "ezberleyebilir". Bölme işlemi varlık (grup) bazında yapılmalıdır, satır bazında değil.

Konuyu daha derinlemesine incelemek isteyenler için: pandas Resmi Dokümantasyonu.

İlgili Yazılar

• Webhook Uçları Tasarlarken Yapılan 5 Yaygın Hata
• Sunucu Loglarını Okurken Gözden Kaçırdığınız Zaman Dilimi Tuzağı

Pratik Uygulama Kontrol Listesi

Bu yazıdaki önerileri kendi ekibinize uyarlarken aşağıdaki adımları sırasıyla uygulamanız, teoriden pratiğe geçişi kolaylaştırır:

1. Mevcut durumu ölçün. Değişiklik yapmadan önce bugünkü performansı/süreyi/hata oranını kaydedin; aksi halde iyileşmeyi kanıtlayamazsınız.
2. Küçük bir pilot seçin. Tüm sisteme veya tüm ekibe birden uygulamak yerine tek bir modülde veya tek bir sprintte deneyin.
3. Sonuçları ekiple paylaşın. Elde ettiğiniz veriyi (olumlu ya da olumsuz) kısa bir notla ekibe aktarın; kararın gerekçesi belgelenmemişse aynı tartışma birkaç ay sonra tekrar açılır.
4. Süreci tekrarlanabilir hale getirin. İşe yarayan pratiği bir kontrol listesine veya şablona dönüştürün ki yeni katılan ekip üyeleri de aynı standardı hızlıca öğrensin.

Sık Yapılan Yanlışlar

Bu konuda ekiplerin en çok düştüğü tuzak, çözümü tek bir kişiye ya da tek bir araca yüklemektir. Oysa kalıcı iyileşme, sürecin ekibin günlük rutinine (code review kontrol listesi, sprint planlama, onboarding dokümanı gibi) gömülmesiyle mümkün olur. İkinci yaygın hata ise "en iyi pratiği" olduğu gibi kopyalamaktır — başka bir ekipte işe yarayan bir yaklaşım, farklı bir ölçekte veya farklı bir teknoloji yığınında aynı sonucu vermeyebilir; önce kendi bağlamınızda küçük ölçekte test edin, sonra genişletin. Üçüncü tuzak ise ölçmeden karar vermektir: "daha iyi hissettiriyor" öznel bir gerekçedir, ekip içi tartışmalarda nesnel veriyle desteklenmeyen kararlar er ya da geç sorgulanır ve geri alınır. Son olarak, dokümantasyonu atlamak da sık görülen bir hatadır: bir kararın "neden" alındığı yazılı değilse, ekip altı ay sonra aynı tartışmayı sıfırdan yeniden yapmak zorunda kalır ve önceki deneyimden öğrenilenler kaybolur.

Sonuç

Özellik Mühendisliğinde Veri Sızıntısını (Data Leakage) Yakalama Kılavuzu konusunda burada değindiğimiz noktalar, konuyu ilk kez ele alan ekipler için de deneyimli geliştiriciler için de pratik bir kontrol listesi görevi görür. veri sızıntısı data leakage üzerine çalışırken en çok fayda sağlayan yaklaşım, tek seferde her şeyi mükemmelleştirmeye çalışmak yerine küçük, ölçülebilir adımlarla ilerlemektir. Ekibinizde bu konuyu bir sonraki sprint retrospektifinde veya teknik tartışma toplantısında gündeme getirmenizi, burada anlatılan pratiklerden hangilerinin sizin bağlamınıza uyduğunu birlikte değerlendirmenizi öneririz. Sonuç olarak, doğru araçları seçmek kadar bunları ekip kültürüne oturtmak da başarıyı belirleyen asıl etkendir.