我使用SparkML GBTClassifier来针对二进制分类问题训练功能广泛的数据集：
Xtrain.select(labelCol).groupBy(labelCol).count().orderBy(labelCol).show()
+-----+------+
|label| count|
+-----+------+
| 0|631608|
| 1| 18428|
+-----+------+
va = VectorAssembler(inputCols=col_header, outputCol="features")
tr = GBTClassifier(labelCol=labelCol, featuresCol="features", maxIter=30, maxDepth=5, seed=420)
pipeline = Pipeline(stages=[va, tr])
model = pipeline.fit(Xtrain)
分类器运行速度非常快（非同寻常），并且以100％的准确度进行学习，而且预测结果也超过100％的准确度。当我打印时
model.stages[1].featureImportances
SparseVector(29, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0, 5: 0.0, 6: 0.0, 7: 0.0, 8: 0.0, 9: 0.0, 10: 0.0, 11: 0.0, 12: 0.0, 13: 0.0, 14: 0.0, 15: 0.0, 16: 0.0, 17: 0.0, 18: 0.0, 19: 0.0, 20: 0.0, 21: 0.0, 22: 0.0, 23: 0.0, 24: 1.0, 25: 0.0, 26: 0.0, 27: 0.0, 28: 0.0})
我注意到我的DataFrame中的一项功能（在本例中为＃24）为模型贡献了100％的权重。当我删除该字段并进行重新训练时，我看到的是同一张图片，唯一的区别是第二个字段现在对模型有所贡献，并且我获得了100％的准确性。显然这是不对的，这是什么？
最佳答案
在非简并数据集上最常见的行为原因是数据泄漏。数据泄漏可以采取不同的形式，但是要考虑
我的DataFrame中的一项功能（在本例中为＃24）贡献了100％的权重
我们可以大大缩小范围：
一个简单的编码错误-您已在功能中包含标签（或转换后的标签）。您应该仔细检查您的处理管道。
原始数据包含已用于派生标签或从标签派生的功能。您应该检查数据字典（如果有）或其他可用资源，以确定应该从模型中丢弃哪些功能（通常会寻找任何原始数据中不会期望的功能）。