Quelles méthodes de validation des modèles de séries temporelles excluent la visualisation du futur lors de l'entraînement?

Lorsqu'on travaille avec des séries temporelles, il est important d'éviter la fuite d'informations futures dans l'apprentissage du modèle afin d'assurer une évaluation équitable de sa qualité. Pour cela, on utilise des méthodes de validation spéciales :

• Division de séries temporelles (Validation en marche avant) — les données sont divisées en fenêtres temporelles successives. Le modèle est entraîné sur les données jusqu'à un certain point, puis testé sur l'intervalle de temps suivant. Ensuite, la fenêtre est déplacée vers l'avant.

• Origine de prévision roulante — similaire à la division de séries temporelles, mais avec une extension progressive de l'ensemble d'entraînement, imitant un scénario de prévision réel.

• Validation croisée bloquée — les données sont divisées en blocs par temps, et les blocs d'entraînement et de test ne se chevauchent pas ni ne sont adjacents pour exclure la corrélation.

• K-Fold purgé — lors de la division en plis, les périodes proches des frontières entre l'ensemble d'entraînement et de test sont supprimées pour éviter la fuite.

Ces méthodes garantissent qu'au cours de l'apprentissage, le modèle ne voit pas de données futures, ce qui est critique pour les séries temporelles.