データリークとは、機械学習においてモデルの訓練時に、本来予測段階では利用できないはずの情報が訓練データに混入してしまう現象のことです。これにより、評価時には非常に高い精度を示すものの、実際の運用（本番環境）では予測精度が著しく低下するという問題が発生します。モデルの信頼性を損なう代表的な罠の一つです。
データリークとは
データリーク（Data Leakage）とは、機械学習モデルの構築において、予測時には得られないはずの情報（未来の情報や正解ラベルに関連する情報）が「訓練データ」に紛れ込んでしまう現象です。これにより、モデルが見かけ上だけ完璧な予測を行い、実運用で全く役に立たなくなる原因となります。
詳しく解説
機械学習の目的は、未知のデータに対して正確な予測を行うことです。そのためには、モデルの学習に用いる「訓練データ」と、評価に用いる「テストデータ」を厳密に分離する必要があります。しかし、データ前処理の段階で全体平均を用いて欠損値を補完したり、時系列データで未来の情報を過去の予測に含めてしまったりすると、テストデータの情報が訓練データに「漏洩」します。これがデータリークです。データリークが発生すると、評価指標（精度やF値など）は異常に高くなりますが、これはカンニングをしてテストを受けているような状態であるため、実運用（本番環境）では全く通用しないモデルが仕上がってしまいます。データ設計や「交差検証」のプロセスを適切に設計することが、この問題を回避するために極めて重要です。
具体例・使われ方
具体的な例として、患者の入院期間を予測するAIモデルを構築するケースが挙げられます。この際、「退院日の情報」や「退院手続きの有無」といった、予測対象である「正解ラベル」（入院期間）が決定した後にしか発生しないイベントを「特徴量」として訓練データに含めてしまうと、データリークが発生します。また、時系列の売上予測において、明日以降の売上データを今日の予測モデルの訓練データに含めてしまうことも典型的な例です。さらに、データ全体の標準化（スケーリング）を訓練データとテストデータに分割する前に行うことも、パラメータがリークする原因となります。
似た用語との違い
セキュリティ分野における「情報漏洩（データ流出）」と混同されがちですが、機械学習におけるデータリークは、外部への秘密情報の流出ではなく、モデル作成時の「データの混入」を指します。また、類似する概念として「過学習」があります。過学習は訓練データにモデルが適合しすぎて未知のデータに対応できない現象全般を指しますが、データリークはその原因の一つであり、特に「本来使えないはずの情報が入力に入ってしまっている」というデータ設計上の不備を指す点が異なります。
注意点
データリークは非常に気づきにくい問題です。モデルの評価精度が不自然に100%に近かったり、極めて高い数値を叩き出したりした場合は、データリークを疑う必要があります。ただし、モデルの構造やハイパーパラメータを調整するだけでは解決できず、データパイプライン自体の見直しが必要です。特に「交差検証」を実装する際には、各フォルダの分割後に前処理（スケーリングや欠損値処理）を個別に行うようコードを設計しなければ、意図せず特徴量の統計情報がリークしてしまうため、実装エンジニアは細心の注意を払う必要があります。