Em que a validação cruzada de séries temporais difere da K-Fold normal?

A validação cruzada de séries temporais (CV) difere do K-Fold habitual por considerar a ordenação temporal dos dados. No K-Fold comum, os dados são divididos aleatoriamente em K partes, e o modelo é treinado e testado nessas partes sem considerar a ordem.

Na CV de séries temporais, a divisão é feita de modo a não usar dados futuros para treinar o modelo, evitando assim vazamentos de informação. Por exemplo, pode-se usar uma janela deslizante ou um conjunto de dados em expansão:

• No primeiro passo, treinamos com as primeiras T observações e testamos nas seguintes.
• No segundo passo, adicionamos o próximo segmento temporal ao conjunto de treino e testamos o seguinte.

Isso é importante para que o modelo reflita as condições reais de previsão ao longo do tempo.

Exemplo (pseudo-código):

for i in range(initial_train_size, len(data)):
    train = data[:i]
    test = data[i:i+test_size]
    model.fit(train)
    predictions = model.predict(test)