Welke validatiemethoden voor tijdreeksmodellen sluiten het bekijken van de toekomst tijdens de training uit?

Bij het werken met tijdreeksen is het belangrijk om informatielek uit de toekomst tijdens het trainen van het model te voorkomen, om een eerlijke beoordeling van de kwaliteit te garanderen. Hiervoor worden speciale validatiemethoden toegepast:

• Time Series Split (Vooruitwaartse validatie) — de gegevens worden opgesplitst in opeenvolgende tijdsvensters. Het model wordt getraind op gegevens tot een bepaald moment en getest op het volgende tijdsinterval. Vervolgens wordt het venster naar voren verschoven.

• Rolling Forecast Origin — vergelijkbaar met Time Series Split, maar met een geleidelijke uitbreiding van de trainingsset, wat een realistisch voorspellingsscenario imiteert.

• Geblokkeerde cross-validatie — de gegevens worden in tijdsblokken verdeeld, en de trainings- en testblokken overlappen niet en zijn niet naast elkaar, om correlatie uit te sluiten.

• Gepurged K-Fold — bij het verdelen in folds worden periodes dicht bij de grenzen tussen trainings- en testsets verwijderd om lekken te voorkomen.

Deze methoden zorgen ervoor dat het model tijdens het trainen geen toekomstige gegevens ziet, wat cruciaal is voor tijdreeksen.