Kokie laiko eilių modelių validavimo būdai neleidžia žiūrėti į ateitį mokymo metu?

Dirbant su laiko eilutėmis, svarbu išvengti informacijos nutekėjimo iš ateities į modelio mokymą, kad būtų užtikrintas teisingas jo kokybės įvertinimas. Tam taikomi specialūs validacijos metodai:

• Laiko eilių skirstymas (Priekinė validacija) — duomenys skirstomi į nuoseklius laiko langus. Modelis mokomas naudodamas duomenis iki tam tikro momento ir testuojamas kitame laiko intervale. Tada langas juda į priekį.

• Sukiojantis prognozės pradžios taškas — panašus į laiko eilių skirstymą, bet su laipsnišku mokymo rinkinio plėtimu, kuris imituoja realų prognozavimo scenarijų.

• Blokuota kryžminė validacija — duomenys skirstomi į laiko blokus, o mokymo ir testavimo blokai nesikerta ir nėra šalia vienas kito, siekiant išvengti koreliacijos.

• Valytas K-Fold — skirstant į fold'us, pašalinami laikotarpiai, arti mokymo ir testavimo rinkinių ribų, siekiant išvengti nutekėjimo.

Šie metodai užtikrina, kad mokymo metu modelis nemato būsimų duomenų, kas yra kritiška laiko eilutėms.