这里有几件事情你需要小心。

在预处理数据或执行可应用于整个数据集（训练和验证）的数据增强时，您可以做某些事情。主要思想是不允许模型从测试数据中获得洞察力。

时间序列示例

缺失数据可以通过多种方式进行管理，例如简单的插补（填补空白）。这在时间序列数据中很常见。在您的训练数据中，您可以使用前一个值、后一个值、数据的平均值或移动平均值之类的东西来填补空白。您必须小心的地方是违反时间信息流。例如，在您的测试数据中，您不应该使用查看空时隙前面的数据点的方法来填补空白。这是因为，在那个时候，你将无法做同样的事情，因为你不应该知道未来的价值。

图像数据示例

取而代之的是图像数据，有数据预处理步骤，例如标准化。这意味着只需将图像像素值缩放到一个范围$[-1, 1]$. 为此，您必须计算总体均值和方差，然后使用它们来执行缩放。在计算这两个统计数据时，重要的是不要包括测试数据。原因是您会泄露用于训练模型的数据集的信息。从技术上讲，您知道不应该做的事情；在这种情况下，关于目标分布的均值和方差的线索。

人们可能还会考虑“缺失数据”以包括不平衡的数据集；即有些情况您知道，但只是不经常出现在您的数据集中。有一些技巧可以帮助解决这个问题，例如分层抽样或交叉验证。当然，最佳解决方案是收集更能代表手头问题的数据集。