Millised ajaridade modelleerimise valideerimise meetodid välistavad tuleviku vaatamise õppimise ajal?

Kui töötate ajaridadega, on oluline vältida teabe lekkimist tulevikust mudeli koolitamise ajal, et tagada selle kvaliteedi õiglane hindamine. Selleks kasutatakse spetsiaalseid valideerimismeetodeid:

• Ajaridade jagamine (Esmane valideerimine) — andmed jagatakse järjestikusteks ajavahemikeks. Mudelit treenitakse kuni teatud hetkeni andmetega ning testitakse järgmisel ajavahemikul. Seejärel liigutatakse aken edasi.

• Pöörlev prognoosi alguspunkt — sarnane ajaridade jagamisele, kuid koos järk-järgulise treeningkomplekti laiendamisega, mis imiteerib reaalset prognoosimisstsenaariumi.

• Blokeeritud ristvalideerimine — andmed jagatakse ajablokkideks ning treening- ja testiblokid ei kattugi ega ole naabruses, et välistada korrelatsioon.

• Puhastatud K-Fold — foldide jagamisel eemaldatakse perioodid, mis on lähedal treening- ja testimiskogumite piiridele, et vältida lekkimist.

Need meetodid tagavad, et treeningu ajal ei näe mudel tulevasi andmeid, mis on ajaridade puhul kriitiline.