某電商平台計劃開發一個機器學習模型，目標是在每個月底自動預測哪些現有會員在下個月可能會流失（不再消費），以便行銷團隊提前發送優惠券進行挽留。若要提升模型預測會員流失的效果，在進行特徵工程（Feature Engineering）時，下列哪一項作法最適合？
答案 （D）
核心概念
挑特徵有一條底線：預測當下拿得到的資料才能用。
模型在月底跑，要預測下個月會不會流失。任何「下個月才會知道」的資訊，訓練時看得到、上線時拿不到，這叫資料洩漏（Data Leakage）。訓練時準確率會高得離譜，實際上線就失靈。
・特徵要跟目標有關聯，模型才學得到東西
・特徵要在預測時點就是已知資料，模型才能上線用
・時間範圍看業務需要，一律只留一天會丟掉消費習慣這種長期訊號
答題技巧
快速判斷技巧：特徵工程題先問一句：預測那一刻，這個特徵拿得到嗎？ ・預測當下已知 → 可以用 ・要等結果出來才知道 → 資料洩漏（Data Leakage），不能用 ・跟目標完全無關 → 沒用，只會加雜訊
易錯陷阱：(B) 最會騙人，因為它強調「高度關聯」，聽起來像是好特徵。 關鍵差異：它關聯高是因為它就是答案，月底預測時這個欄位還是空的。 警訊詞：特徵描述裡出現「下個月」「未來」「結果」，先懷疑是洩漏。