时间序列中如何进行交叉验证？分享几招！

Question

如题所述

Answer 1

时间序列中如何进行交叉验证？分享几招！

本文提供时间序列数据的交叉验证技巧，以帮助选择最优超参数，特别是在数据集较小的情况下。传统的交叉验证方法可能不适用于时间序列预测，因此需采用专门的策略。其中，k-fold交叉验证将数据集拆分为训练和测试数据集的多个子集，对于每个分割，使用k-1个集合的训练数据训练模型，然后在剩余数据上验证模型，重复此过程以获取模型得分的平均值。然而，这种方法在时间序列预测中不适用。

为解决这一问题，可使用“窗口拆分器”来创建训练和测试数据集。窗口拆分器具有两个可配置参数：初始化后，可以像KFold验证类一样使用，为每个数据拆分提供训练和测试索引。有滑动窗口拆分和扩展窗口拆分两种方法。滑动窗口拆分器在滑动窗口上生成折，其中训练窗口大小固定，而测试窗口大小可能变化；而扩展窗口拆分器则使训练序列长度随时间增长，测试序列长度保持不变。

在选择预测模型时，sktime提供了Forecasting Grid Search CV和Forecasting Randomized Search CV这两个类，它们使用交叉验证来搜索最佳模型参数。这些类通过反复拟合和评估模型来工作，并遵循与sklearn交叉验证方法类似的界面。

本文介绍了在时间序列数据上进行交叉验证的几种方法和类库，包括如何使用窗口拆分器、如何选择预测模型参数以及使用sktime库进行预测。通过跨时间滑动窗口、网格搜索和随机搜索，可以有效地在时间序列数据上应用交叉验证，以选择最优模型参数，实现更准确的预测。