为什么在对整个数据集进行归一化处理后，再将其划分为测试集和训练集会产生如此不良的影响？
我理解我们的模型会从归一化后的数据中提取整个分布信息，但我无法理解这种分布知识是如何导致测试数据记忆的。
能有人详细解释一下吗？
回答：
在推理时，你需要使用训练集的归一化参数（均值和标准差）。因此，测试集也应该采用同样的方法进行处理。
关于信息泄露：
假设你要预测某只股票（我们称之为A）的价格，并且你使用了另一只股票B的价格作为特征。特征是时间戳t1到时间戳t2的百分比变化。训练集包括5月至9月，测试集是10月。假设10月是一个非常波动的月份。如果你也用测试数据来归一化特征，这将大大改变特征。这意味着你给模型提供了一个提示，即10月份是波动的……然后，当然模型的结果会更好……但你给它提供了关于未来的信息……
