¿Qué métodos de validación de modelos de series temporales excluyen la vista hacia el futuro durante el entrenamiento?

Al trabajar con series temporales, es importante evitar la filtración de información futura en el entrenamiento del modelo para garantizar una evaluación justa de su calidad. Para ello, se utilizan métodos de validación especiales:

• División de Series Temporales (Validación de avance progresivo) — los datos se dividen en ventanas temporales secuenciales. El modelo se entrena con datos hasta un momento determinado y se prueba en el siguiente intervalo de tiempo. Luego, la ventana se desplaza hacia adelante.

• Origen de pronóstico rodante — similar a la división de series temporales, pero con una expansión progresiva del conjunto de entrenamiento, que imita un escenario de pronóstico real.

• Validación cruzada bloqueada — los datos se dividen en bloques por tiempo, y los bloques de entrenamiento y prueba no se superponen ni son adyacentes para excluir la correlación.

• K-Fold purgado — al dividir en pliegues, se eliminan los períodos cercanos a las fronteras entre el conjunto de entrenamiento y el de prueba para evitar filtraciones.

Estos métodos garantizan que, durante el entrenamiento, el modelo no vea datos futuros, lo cual es crítico para series temporales.