Milyen jellemzői vannak az adathalmaz építésének és validálásának időbeli sorozatmodellekhez?

Idősort modellekhez adatgyűjtemények és validációk készítésekor fontos figyelembe venni az adatok időbeli függőségét, és elkerülni a jövőbeli információk szivárgását a múltba.

Fő jellemzők:

1. Csúszó ablak (Sliding window) — szekvenciális időintervallumokból képzett tanulási példák, ahol a bemenet a korábbi értékek, a kimenet a következő lépés.

2. Adatok idő szerinti felosztása — az adatok szigorúan idő szerint oszlanak fel tanulási, validációs és teszt részekre, hogy a modell ne lásson jövőbeli adatokat a tanulás során.

3. Validáció időbeli sorrend figyelembevételével:

   • Olyan módszerek alkalmazása, mint a TimeSeriesSplit, amelyek szekvenciális felosztásokat hoznak létre, figyelembe véve az adatok sorrendjét.
   • Véletlenszerű keverés (shuffle) elkerülése, mivel ez megsérti az időbeli struktúrát.

4. Szezonális hatások és trendek kezelése — a jellemzők készítésekor figyelembe veszik az időbeli jellemzőket (hét napja, óra, ünnepek).

5. Hiányzó értékek és anomáliák kezelése — a helyes előfeldolgozás fontos, mivel az idősortípusok érzékenyek az ilyen torzulásokra.

Adatfelosztási példa:

import pandas as pd
from sklearn.model_selection import TimeSeriesSplit

data = pd.read_csv('timeseries.csv', parse_dates=['date'])
data = data.sort_values('date')

# Felosztás tanulási és teszt adatokra dátum szerint
train = data[data['date'] < '2023-01-01']
test = data[data['date'] >= '2023-01-01']

# TimeSeriesSplit a keresztvalidációhoz
tscv = TimeSeriesSplit(n_splits=5)
for train_index, val_index in tscv.split(train):
    train_fold = train.iloc[train_index]
    val_fold = train.iloc[val_index]
    # modell tanítása és validálása

A kulcs az időrendi sorrend megőrzése és a jövőbeli információk szivárgásának elkerülése a múltba.