Čime se razlikuje CV za vremenske serije od običnog K-Fold?

Крос-валидacija временских серија (CV) разликује се од обичног K-Fold-а тиме што узима у обзир времену редослед података. У обичном K-Fold-у, подаци се насумично деле на K делова, а модел се обучава и тестира на тим деловима без узимања у обзир редоследа.

У CV за временске серије, делење се врши тако да се не користе будући подаци за обуку модела, избегавајући излив информација. На пример, може се користити клизно окно или проширујући скуп података:

• У првом кораку, обучавамо се на првих T посматрања и тестирамо на следећим.
• У другом кораку, додајемо следећи временски сегмент у скуп за обуку и тестирамо на следећем.

Ово је важно да модел одражава стварне услове прогнозирања у времену.

Пример (псеудо-код):

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)