StratifiedKFold本身不会导致标签泄漏，但若在切分前对全量数据做fit_transform（如标准化、编码），会使验证集隐含全局标签分布信息，从而高估泛化能力；正确做法是在每个fold内独立用训练子集拟合预处理器再变换验证子集。
StratifiedKFold 为什么会导致标签泄漏
StratifiedKFold 本身不会导致标签泄漏，但很多人在预处理阶段把 fit_transform() 用在了整个数据集上，再切分训练/验证集——这会让验证集的统计信息（如 StandardScaler 的均值、方差）间接“看到”其自身标签分布，破坏评估真实性。
典型错误是：先对 X 和 y 做全局标准化或编码，再传给 StratifiedKFold 切分。此时每个 fold 的验证集特征已经隐含了全量 y 的分布信息，尤其在类别不平衡或特征与标签强相关时，会高估模型泛化能力。
正确做法：在每个 fold 内独立做 fit_transform
必须保证所有有状态的预处理（如缩放、编码、插补）只基于当前 fold 的训练子集拟合，再分别作用于该 fold 的训练和验证子集。
- 用
sklearn.pipeline.Pipeline封装预处理器 + 模型，最稳妥；Pipeline会自动在每个 fold 中重新调用fit_transform()于训练子集、transform()于验证子集 - 手动实现时，每次循环中必须新建预处理器实例（如
StandardScaler()），不能复用已fit()过的对象 - 注意
LabelEncoder或OrdinalEncoder同样适用该规则：验证集里出现未见过的类别？说明你用了全局fit()，应改用OneHotEncoder(handle_unknown='ignore')或提前检查类别一致性
验证是否真没泄漏：检查 scaler 的参数
一个快速自查方法：在 StratifiedKFold 循环内打印每个 fold 的 scaler.mean_ 或 scaler.scale_，如果它们全部相同，说明你在循环外做了 fit() —— 泄漏已发生。
示例片段：
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
from sklearn.model_selection import StratifiedKFold
from sklearn.preprocessing import StandardScaler
<p>skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for train_idx, val_idx in skf.split(X, y):
X_train, X_val = X[train_idx], X[val_idx]
y_train, y_val = y[train_idx], y[val_idx]</p><pre class="brush:php;toolbar:false;">scaler = StandardScaler() # ✅ 每次都是新实例
X_train_scaled = scaler.fit_transform(X_train) # ✅ 只用训练子集拟合
X_val_scaled = scaler.transform(X_val) # ✅ 验证集仅 transform
# 打印确认：下面两行输出应各不相同
print("fold scaler mean:", scaler.mean_[0])
容易被忽略的边界情况
时间序列或地理数据混入 stratification 时，StratifiedKFold 仍按标签比例切分，但可能打破样本独立性假设——这不是泄漏，而是设计缺陷。此时应换用 GroupKFold 或自定义 split 策略。
另一个盲点：train_test_split(..., stratify=y) 如果和后续 StratifiedKFold 嵌套使用，且在 split 前做了全局预处理，同样会泄漏。只要任何一步用了全量 y 来驱动特征变换，就等于让验证逻辑提前“偷看”了答案。
真正安全的起点只有一个：所有有状态变换，必须严格绑定到当前训练子集的生命周期内。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
