Чем time series CV отличается от обычной K-Fold?

Time series cross-validation (CV) отличается от обычного K-Fold тем, что учитывает временную упорядоченность данных. В обычном K-Fold данные случайно разбиваются на K частей, и модель обучается и тестируется на этих частях без учета порядка.

В time series CV разбиение происходит так, чтобы не использовать будущие данные для обучения модели, предотвращая утечку информации. Например, можно использовать скользящее окно или расширяющийся набор данных:

• На первом шаге обучаем на первых T наблюдениях, тестируем на следующих.
• На втором шаге добавляем к обучающей выборке следующий временной отрезок и тестируем следующий.

Это важно, чтобы модель отражала реальные условия прогнозирования во времени.

Пример (псевдокод):

for i in range(initial_train_size, len(data)):
    train = data[:i]
    test = data[i:i+test_size]
    model.fit(train)
    predictions = model.predict(test)