Ce metode de validare a modelelor de serii temporale exclud vizualizarea viitorului în timpul antrenamentului?

Atunci când lucrați cu serii temporale, este important să evitați scurgerea de informații din viitor în timpul antrenamentului modelului pentru a asigura o evaluare corectă a calității sale. Pentru aceasta, se aplică metode speciale de validare:

• Divizarea seriilor temporale (Validare în avans) — datele sunt împărțite în ferestre temporale succesive. Modelul este antrenat pe date până la un anumit moment și testat pe intervalul de timp următor. Apoi, fereastra se deplasează înainte.

• Originea de prognoză rotativă — similar cu divizarea seriilor temporale, dar cu o extindere progresivă a setului de antrenament, imitând un scenariu real de prognoză.

• Validare încrucișată blocată — datele sunt împărțite în blocuri temporale, iar blocurile de antrenament și testare nu se suprapun și nu sunt adiacente pentru a exclude corelațiile.

• K-Fold purificat — la împărțirea în folduri, perioadele apropiate de granițele dintre seturile de antrenament și test sunt eliminate pentru a evita scurgerile.

Aceste metode asigură că, în timpul antrenamentului, modelul nu vede date viitoare, ceea ce este critic pentru seriile temporale.