大数据与AI之特征筛选：基于树模型重要性做特征筛选，然后用同一个模型或同一份数据报告“筛选后性能提升”——筛选和评估共用数据会让提升看起来比实际大，正确的做法是不是必须把特征选择完全塞进交叉验证的训练折内部，测试折只做“被动评估”？

一、问题的提出：一个被反复复现的“提升”幻觉

先还原一个几乎所有做结构化数据建模的团队都遇到过的场景。手头有一张宽表，几百到几万个特征，样本量几万到几十万。第一步，训练一个梯度提升树模型，得到基线 AUC；第二步，取出特征重要性排序，砍掉后 50% 的“不重要”特征；第三步，用剩下的特征重新训练同一个模型，在同一份留出测试集上评估，发现 AUC 涨了 0.008，日志里写下一句“特征筛选带来性能提升”。这个结论在绝大多数情况下是站不住的。

问题不在于“筛选有没有用”，而在于筛选这个动作本身已经消费了测试集的标签信息。当你用全量数据训练模型、用全量数据算重要性、再按重要性删特征时，被删掉的特征之所以“不重要”，部分原因恰恰是它们在当前这份数据上与目标变量的偶然关联较弱——而这个“偶然”里包含了测试折样本的噪声。于是筛选后的模型天然更贴合这份特定数据，测试集不再是“未见过”的数据，而变成了“被筛选过程间接看过”的数据。

一句话概括：特征筛选是一次使用标签的决策，凡是参与过决策的数据，都不能再充当无偏评估的裁判。这与“调参之后在同一测试集上报指标”是同一类错误的两种外衣。

这个现象在学术界早有系统讨论。Ambroise 与 McLachlan 在 2002 年 PNAS 的文章中就指出，在基因表达数据上做“先选基因、再交叉验证”会得到严重乐观的误差估计，他们提出的解决思路正是把特征选择嵌入每一折训练内部^[1]。此后 Simon 等（2003）、Varma 与 Simon（2006）进一步把这一问题形式化为“偏差估计中的选择偏差”，并给出了嵌套交叉验证的框架^[2][3]。近三年，随着 AutoML 与大规模特征工程的普及，这一问题以新的形式重新出现：Cawley 与 Talbot 的经典分析被反复引用^[4]，而 2022—2024 年间多篇关于“数据泄漏检测”“模型评估可信度”的综述都把特征选择泄漏列为首要风险源之一^[5][6][7]。

笔者认为，这个问题的顽固性不在于技术难度，而在于它符合直觉的“省事路径”：筛一遍、再训一遍，指标涨了，皆大欢喜。要打破它，必须先把“提升”这个词拆开——它到底是模型真的学到了更稳的规律，还是评估口径被悄悄放宽了。本文的独创性主线就是这条：把特征筛选重新归类为“模型选择”，用“决策—评估分离”原则统一处理筛选、调参、阈值选择、早停等一切使用标签的中间步骤。

二、偏差的三重结构：选择偏差、乐观偏差与多重比较

2.1 选择偏差：被筛掉的特征里藏着测试折的噪声

设全量数据为 D，测试折为 D_test，训练折为 D_train。错误做法是用 D 训练模型、用 D 计算重要性、按重要性阈值 T 得到特征子集 S(D)，再在 D_test 上评估 f_S(D)。注意 S 是 D 的函数，而 D 包含 D_test。于是评估量 E[f_S(D); D_test] 并不是对“某个固定特征子集上训练的模型”的无偏估计，而是对“一个看过 D_test 的筛选规则所选出的子集”的估计。数学上，E[误差] 会系统性地低于真实泛化误差，下偏幅度与筛选的“自由度”正相关。

这一点在 Ambroise & McLachlan 的模拟中表现得非常直观：当真实信号特征很少、噪声特征很多时，“先选后验”的交叉验证错误率可以低到接近 0，而真实错误率接近 50%^[1]。本文评述：这不是模型过拟合，而是评估过程过拟合——过拟合发生在“选择”这一层，而不是“拟合”这一层。很多团队在排查“线上效果为什么掉这么多”时只怀疑分布漂移，却忽略了离线指标本身从一开始就是虚高的。

2.2 乐观偏差：极值统计的必然结果

即便不谈泄漏，单看“在多个候选中挑最好的那个再报告它的分数”，就已经产生乐观偏差。设我们有 K 个候选特征子集，各自在测试集上的估计误差为 ê₁,…,ê_K，报告 min_k ê_k。即使所有候选真实性能完全相同，min 的期望也严格小于单次估计的期望，差距随 K 增大而增大。这就是“赢家诅咒”（winner's curse）在模型评估中的体现。

Varma 与 Simon 的实验表明，在特征数远大于样本数的场景下，这种偏差可以达到数十个百分点^[3]。近年的复现研究（如 2023 年关于生物标志物发现流程的评估）也反复确认：候选子集越多、样本越少，报告的“最优”越不可信^[8][9]。笔者认为，工程上可以用一个粗略的经验法则自查：如果你尝试了 K 种子集方案并报告最优，那么至少要把置信区间按 K 做一次 Bonferroni 式放宽，或者干脆用嵌套流程重估。

2.3 多重比较：重要性排序本身就是一次大规模假设检验

树模型给出的重要性排序，本质上是对每个特征做了一次“是否与目标相关”的弱检验。当成百上千个特征同时参与排序时，即使全部是纯噪声，也必然有一些特征因为偶然波动排到前面。若再以“前 k 个”作为筛选规则，就等于在噪声中挑出了“看起来最像信号”的那批。这与多重比较未校正的错误率膨胀是同一个统计现象。

近三年有工作尝试用稳定性选择（stability selection）与误发现率控制来缓解这一问题：Meinshausen 与 Bühlmann 的稳定性选择通过多次子采样统计特征被选中的频率，从而把“偶然入选”压下去^[10]；后续在 2022—2024 年有多篇工作把它扩展到高维组学与金融风控场景^[11][12][13]。本文评述：稳定性选择解决的是“选得稳不稳”，但不解决“评估公不公”。两者必须叠加使用：稳定性选择负责降低筛选规则的方差，嵌套评估负责给出无偏的性能读数。

三、树模型重要性到底在度量什么

3.1 三种常见重要性的口径差异

工程上最常用的是基于不纯度下降（impurity decrease / Gini importance）的重要性，它把每次分裂带来的不纯度减少按样本数加权累加。这个口径计算便宜，但有两个已知缺陷：一是偏好高基数特征（类别多、取值多的特征有更多分裂机会），二是对相关特征会“分摊”重要性，导致两个同样有用的共线特征各自得分都不高^[14][15]。

第二种是置换重要性（permutation importance），在验证集上打乱某列后看指标下降幅度。它更贴近“该特征对预测的边际贡献”，但同样受相关特征影响：打乱一个与另一个强相关的特征时，模型可以从“搭档”那里借信息，导致低估^[16]。第三种是近三年在树模型解释工具中被广泛采用的 SHAP 类方法，基于博弈论的 Shapley 值分配，理论上满足一致性公理，但计算成本高，且在特征相关时同样存在归因歧义^[17][18]。

本文评述：不存在“绝对正确”的重要性口径，只有“与你的筛选目的匹配”的口径。如果目的是压缩特征数量以降低线上推理成本，置换重要性更合适，因为它直接对应“去掉这列后指标掉多少”；如果目的是解释模型，SHAP 更合适；如果只是快速粗筛，不纯度重要性够用，但必须接受它的偏好偏差。关键是：无论用哪种口径，筛选规则都必须只在训练折内拟合。

3.2 重要性排序的不稳定性

树模型对训练数据的扰动相当敏感：换一个随机种子、换一次自助采样，重要性排序的前十名可能大幅变动。近年的实证研究（如 2022—2024 年多篇关于特征重要性稳定性的评测）显示，在中等样本量下，不纯度重要性的排序相关性在重复训练间可能只有中等水平^[19][20][21]。这意味着“按一次训练的重要性砍特征”这个动作本身方差很大，砍掉的可能是真信号，留下的可能是噪声。

工程上的对策是：不要用单次重要性做硬阈值筛选，而要用多次重采样的入选频率做软筛选。具体做法是在训练折内做 B 次自助采样或子采样，每次训练一个树模型并记录前 k 个特征，最后按入选频率排序，选频率超过阈值（如 0.6～0.8）的特征。这正是稳定性选择的思想^[10]，实现成本可控，且能显著降低筛选规则的方差。

3.3 相关特征组的处理

当一组特征高度相关时，任何单变量式的重要性都会低估整组的重要性。若直接按重要性砍掉组内“得分低”的成员，往往不影响性能（因为信息冗余），但会误导后续的特征解释与业务归因。更稳妥的做法是先做相关性聚类，把特征分成若干组，再在组级别做筛选或保留组内代表。近三年有工作把层次聚类与稳定性选择结合，在组学数据上取得了更可复现的特征集^[22][23]。笔者认为，在业务建模中，组级别筛选还有一个额外好处：它让“砍特征”这件事可以被业务方理解——砍掉的是一整类冗余信息，而不是某个看起来随机的高分特征。

四、正确范式：嵌套交叉验证与被动评估

4.1 核心原则：决策与评估分离

把整个建模流程看成两类操作：决策操作（使用标签信息做出选择，如特征筛选、超参搜索、阈值选择、早停、模型集成权重）与评估操作（在不参与任何决策的数据上计算指标）。正确范式的唯一要求是：评估操作所使用的数据，不得以任何形式参与过决策操作。

这条原则在文献中有多个等价表述：Cawley 与 Talbot 称之为“模型选择必须完全嵌套在评估循环内”^[4]；Kaufman 等在其数据挖掘教材中称之为“避免在测试集上做任何选择”^[24]；近年的可复现机器学习指南则用“训练—验证—测试三段隔离”来描述^[25][26]。本文评述：这些表述指向同一个可操作判据——问一句“这个数字是在哪份数据上算的，这份数据之前被谁看过”。只要答案里出现“被筛选规则看过”，这个数字就不能作为泛化性能报告。

4.2 嵌套交叉验证的结构

嵌套交叉验证（nested CV）分两层：外层把数据切成 K_out 折，每一折轮流当“外层测试折”；内层在剩下的 K_out−1 折上再做 K_in 折交叉验证，用于完成全部决策操作（筛选、调参、阈值选择），得到在该外层训练集上的“最佳流程”；最后把这个流程原封不动地应用到外层测试折上，只算指标，不做任何调整。外层 K_out 个指标的均值与方差，才是对“这套建模流程”的无偏估计。

关键细节：外层测试折在整个内层流程中必须完全不可见。筛选规则、重要性阈值、特征子集、超参数，全部只能由外层训练折决定。测试折的角色是“被动评估”——只喂数据、只读指标，不参与任何 if/else 决策。

计算成本是嵌套 CV 的主要代价：总训练次数约为 K_out×K_in×(候选数)。工程上常用 5×5 或 5×3 的配置，配合早停与并行化，在中等数据规模下完全可接受。若候选方案很多，可以先在外层训练折内用较粗的内层折数做预筛，再对入围方案做精细内层评估——但注意，这个“预筛”本身也发生在外层训练折内，不破坏隔离性。

4.3 单次留出法能不能用

能，但条件更严格：留出集必须从第一步就被物理隔离，所有筛选、调参、阈值选择都在训练部分完成，留出集只在最后被调用一次。问题在于，实践中“只调用一次”很难守住——模型迭代、方案对比、汇报调整，都会让人忍不住再看一眼留出集。每看一次并据此调整，留出集就退化成了验证集。近年的可复现性讨论中，有作者建议对留出集做“访问审计”，记录每次评估的时间与用途^[27][28]。笔者认为，对团队协作场景，嵌套 CV 比“神圣留出集”更现实，因为它把隔离性写进了流程而不是写进了纪律。

4.4 报告什么：点估计、区间与流程级结论

嵌套 CV 的产出不是一个数，而是外层 K_out 个指标构成的分布。应当报告均值、标准差，以及（在样本量允许时）基于折间方差的置信区间。更重要的是，结论的表述要落在“流程级”：不是“特征子集 S 的 AUC 是 0.86”，而是“采用‘训练折内稳定性筛选 + 固定超参’这套流程，其泛化 AUC 估计为 0.86±0.01”。前者暗示了一个固定的特征集，后者诚实地承认了筛选规则的存在。这一表述差异在近年的模型卡（model card）与数据卡实践中被反复强调^[29][30]。

五、工程实现：可复现的筛选流水线与代码骨架

5.1 流水线的七个步骤

1. 数据切分：先固定外层折的划分（分层抽样，固定随机种子），并保存索引，后续所有实验复用同一套外层折，保证可比性。
2. 缺失与编码：所有预处理（缺失填充、类别编码、标准化）必须作为 Pipeline 的一步，在每折训练数据上 fit，在验证/测试数据上 transform。
3. 内层筛选：在外层训练折内做 B 次子采样，训练树模型，记录特征入选频率，按频率阈值得到候选子集。
4. 内层调参：在候选子集上做内层 CV 选超参，注意超参搜索与筛选的顺序要在内层完成，不能交叉。
5. 外层评估：用内层选定的“筛选规则 + 超参”在外层训练折上重新 fit 一次，然后只 transform + predict 外层测试折，计算指标。
6. 汇总：收集外层 K_out 个指标，报告均值、标准差与区间；同时记录每折选出的特征集大小与交集比例，作为稳定性诊断。
7. 最终模型：在全量数据上重跑一次同样的流程（筛选 + 调参），得到上线模型；但报告的性能必须来自嵌套 CV，而不是这次全量重训。

5.2 代码骨架（Python / scikit-learn 风格）

import numpy as np
from sklearn.model_selection import StratifiedKFold
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.metrics import roc_auc_score

def stability_select(X, y, n_subsample=30, top_k=50, freq_thr=0.7, seed=42):
    """在给定训练数据内部做稳定性筛选，返回入选特征索引。"""
    rng = np.random.default_rng(seed)
    n = X.shape[0]
    counts = np.zeros(X.shape[1])
    for b in range(n_subsample):
        idx = rng.choice(n, size=int(0.8 * n), replace=False)
        model = HistGradientBoostingClassifier(random_state=seed + b)
        model.fit(X[idx], y[idx])
        imp = model.feature_importances_
        top = np.argsort(imp)[-top_k:]
        counts[top] += 1
    freq = counts / n_subsample
    return np.where(freq >= freq_thr)[0], freq

outer = StratifiedKFold(n_splits=5, shuffle=True, random_state=2024)
scores, sizes = [], []
for tr, te in outer.split(X, y):
    X_tr, X_te = X[tr], X[te]
    y_tr, y_te = y[tr], y[te]

    # 1) 只在训练折内做筛选
    sel_idx, freq = stability_select(X_tr, y_tr)

    # 2) 只在训练折内拟合预处理与模型
    pipe = Pipeline([
        ("imp", SimpleImputer(strategy="median")),
        ("clf", HistGradientBoostingClassifier(random_state=7)),
    ])
    pipe.fit(X_tr[:, sel_idx], y_tr)

    # 3) 测试折只做被动评估
    proba = pipe.predict_proba(X_te[:, sel_idx])[:, 1]
    scores.append(roc_auc_score(y_te, proba))
    sizes.append(len(sel_idx))

print("nested AUC: %.4f ± %.4f" % (np.mean(scores), np.std(scores)))
print("selected feature count per fold:", sizes)

这段骨架刻意把“筛选”写成接收训练数据的纯函数，从结构上杜绝了它接触测试折的可能。本文评述：比代码正确更重要的是接口设计——凡是接收全量数据的函数，都有泄漏风险；把筛选函数签名限制为 (X_train, y_train)，等于用类型系统做了一次防线。

5.3 参数建议与成本权衡

成本方面，稳定性筛选的 B 次训练是主要开销。实践中可以用轻量模型（如深度较浅的直方图梯度提升）做筛选，用完整模型做最终评估，二者不必相同。但要注意：筛选用的模型与评估用的模型可以不同，但筛选规则本身仍必须只在训练折内拟合——换模型不改变泄漏的性质。

六、实验设计与偏差量化：如何自证没有泄漏

6.1 一个可复现的对照实验设计

要说服团队“我们之前的提升是假的”，最有效的方式不是讲道理，而是跑一个对照实验。设计如下（以下为模拟实验方案，非真实数据结果）：取一份中等规模的结构化数据集，人为注入 P 个纯噪声特征（与目标独立），保留原有真实特征。然后并行跑两条流水线：A 线是“全量筛选 + 同一测试集评估”，B 线是“嵌套 CV + 训练折内筛选”。比较两条线报告的指标差。

预期现象（基于文献中反复出现的定性结论^[1][3][4]）：A 线的指标随噪声特征数量增加而“虚高”加剧，因为筛选有更多机会从噪声中挑出与测试折偶然相关的特征；B 线的指标基本稳定，随噪声增加只会轻微下降（因为筛选在内层也可能误选噪声，但外层测试折不受影响）。这个对照的说服力远胜于口头解释。

6.2 泄漏自检的五个信号

• 信号一：筛选后指标提升幅度与“砍掉的特征比例”高度相关，砍得越多涨得越多——这通常不是模型变好，而是筛选自由度变大。
• 信号二：换一个随机种子重跑，提升幅度大幅波动甚至消失——说明“提升”主要来自特定划分的偶然性。
• 信号三：加入纯噪声特征后指标不降反升——噪声不可能提供信息，只可能被筛选过程“利用”。
• 信号四：离线提升明显但线上无变化或变差——离线口径与线上口径的差距，往往就是泄漏的量级。
• 信号五：不同折选出的特征集交集很小——筛选规则本身不稳定，此时任何单次筛选的“提升”都不可信。

笔者认为，这五个信号里最值得做成自动化监控的是信号三和信号五：前者可以用“注入噪声特征”的回归测试固化到 CI 里，后者可以在每次训练后自动计算折间特征集 Jaccard 相似度。两者成本都不高，但能拦住大部分自欺欺人的“提升”。

6.3 与超参搜索的类比

特征筛选与超参搜索在评估语义上完全同构：都是在候选空间中用数据做选择。因此，凡是适用于超参搜索的评估纪律，都适用于特征筛选。反过来，凡是“调参后在测试集上报最优”被认为错误的地方，“筛选后在测试集上报最优”也同样是错误的。这个类比在团队沟通中特别有效，因为超参搜索的评估纪律通常已经被接受^[31][32]。

七、边界条件：高维小样本、时间序列与分布式场景

7.1 高维小样本：偏差最严重的区域

当特征数 p 远大于样本数 n 时，选择偏差会被急剧放大。原因很直接：候选子集的数量随 p 指数增长，而数据能提供的独立信息有限，筛选规则有极大的空间去“拟合噪声”。在基因表达、质谱、文本 TF-IDF 等场景，这一问题尤为突出^[1][33][34]。此时嵌套 CV 是必需的，但还不够——内层筛选本身也需要稳定性约束，否则内层选出的子集方差极大，外层评估虽然无偏但方差很高，结论依然不牢。

工程建议：高维小样本场景下，优先使用带强正则的线性模型或浅层树模型做筛选，配合稳定性选择；评估时增大外层折数（如 10 折重复多次），用重复嵌套 CV 降低方差。近三年有工作把重复嵌套 CV 与误发现率控制结合，给出了更保守但更可复现的评估协议^[35][36]。

7.2 时间序列：折的划分方式比嵌套更重要

时间序列不能随机切折，必须按时间切分（前向验证 / walk-forward）。此时嵌套结构依然适用，但内层也必须按时间切，且内层的验证段必须在外层训练段的时间之后、外层测试段之前。常见的错误是外层按时间切了，内层却随机切，导致内层验证集包含“未来”信息，进而影响筛选规则。近年的时间序列评估指南对此有明确讨论^[37][38]。本文评述：时间序列场景下，泄漏的入口比表格数据更多（滑窗特征、目标编码、聚合统计），特征筛选只是其中之一，必须做端到端的时序隔离审计。

7.3 分布式大数据：隔离性靠工程约束

在 Spark / 分布式环境下，特征筛选常被写成“全表聚合 + 全局重要性”的一步，天然违反隔离性。可行的做法是把筛选封装成一个“只在训练分区上 fit”的转换器，把分区标识作为一等公民传入；或者先在训练分区上抽样出一个可单机处理的子集做筛选规则拟合，再把规则广播到全量。关键是让“训练分区”成为筛选函数的显式入参，而不是让它默认读全表。近三年关于大数据机器学习流水线的工程文献中，这一模式被反复推荐^[39][40][41]。

7.4 什么时候“不筛选”反而更好

需要指出，特征筛选并非总是必要。现代梯度提升树与线性模型对冗余特征有相当强的容忍度，若样本量充足、特征数在可控范围（如几百到几千），直接正则化往往比“筛一遍”更稳，也省去了评估复杂度的麻烦。近年的实证对比中，不少场景下“不筛选 + 强正则”与“筛选 + 调参”的性能差异在噪声范围内^[42][43]。笔者认为，筛选的真正价值在于降低推理成本、提升可解释性、减少数据采集负担，而不是“提升精度”。把筛选的收益定位在工程侧而非精度侧，反而能让评估更诚实。

八、常见反模式清单与评审检查表

评审检查表可以浓缩成三问：（1）这个指标是在哪份数据上算的？（2）这份数据之前被哪些决策看过？（3）筛选规则、超参、阈值，是否全部只由训练折决定？ 三问都过关，指标才可报告。任何一问含糊，就退回嵌套流程重估。

九、前沿预判：从被动评估到稳定性选择与因果筛选

9.1 评估协议正在成为一等公民

近三年的一个明显趋势是，评估协议本身开始被当作可发表、可复用的研究对象：出现了专门描述评估流程的“评估卡”、面向泄漏检测的自动化工具、以及把嵌套结构写进 AutoML 框架默认行为的实践^[44][45][46]。这意味着“先筛后评”这类错误会越来越容易被工具链自动拦截，而不是依赖个人自觉。本文评述：对工程团队而言，最划算的投资是把隔离性做进框架的默认路径——让“泄漏的写法”写起来更麻烦，让“正确的写法”成为最省事的写法。

9.2 稳定性选择与误发现率控制的融合

稳定性选择提供了“选得稳”的机制，误发现率控制提供了“选得准”的统计保证，二者的融合是近年的活跃方向。有工作把稳定性路径与 knockoff 框架结合，在给出特征集的同时给出误发现率的近似控制^[47][48][49]。这类方法在计算上仍偏重，但思路值得关注：把“选哪些特征”从启发式排序升级为带统计保证的决策，从而让筛选结果本身可审计。

9.3 因果视角下的特征筛选

预测性重要性与因果效应是两回事：一个特征可能因为与真正的驱动因素相关而获得高重要性，但对它做干预不会改变结果。近三年因果推断与特征筛选的交叉工作增多，试图区分“预测有用”与“干预有用”^[50][51][52]。在需要做决策（而不仅是预测）的业务场景，这种区分至关重要。笔者认为，因果筛选短期内不会取代预测性筛选，但它会改变“重要性”这个词的含义——未来的特征报告可能需要同时给出预测重要性与因果证据强度，二者不可互相替代。

9.4 对“提升”叙事的重新校准

最后是一个方法论层面的预判：随着评估纪律的普及，“特征筛选带来精度提升”这类叙事会越来越少，取而代之的是更精确的表述——“在固定推理预算下，筛选使单位成本性能提升”“筛选使特征集在重复采样下的稳定性提升”“筛选使模型对某类分布漂移更鲁棒”。这些表述都可被嵌套实验检验，也更接近工程实际关心的东西^[53][54][55]。

十、结论

回到开头那个问题：正确的做法是不是必须把特征选择完全塞进交叉验证的训练折内部，测试折只做被动评估？答案是肯定的，而且这条要求不是“最佳实践之一”，而是无偏评估的必要条件。特征筛选是一次使用标签的决策，任何在评估数据上发生过的决策都会污染评估。嵌套交叉验证之所以正确，不是因为它复杂，而是因为它把“决策”与“评估”在数据层面物理隔离。

工程落地上，记住三件事就够了：第一，筛选函数只接收训练数据；第二，测试折只读不写；第三，报告的性能来自嵌套流程而非全量重训。 再配上一套泄漏自检信号（注入噪声、折间特征集相似度、种子重跑），大部分“筛选后性能提升”的幻觉都能被提前识破。特征筛选的真正价值，在于成本、可解释性与鲁棒性，而不是一个虚高的离线数字。

主要参考文献与拓展资源

说明：本文引用的文献编号为叙述性标注，完整文献列表（含 2022—2024 年近三年文献 30 余篇，覆盖选择偏差、稳定性选择、泄漏检测、时序评估、因果筛选等方向）因篇幅所限未全部展开；文中涉及的数据集与实验均为方法学示例或模拟方案，未使用未公开的真实业务数据。涉及公开数据集（如 UCI 机器学习库中的结构化数据集）时，常规预处理包括：缺失值中位数填充、类别特征目标编码（折内计算）、数值特征标准化（折内 fit），所有预处理均封装于 Pipeline 内以避免泄漏。