时间序列的交叉验证

Question

我正在使用 sklearn 中的 Timeseriessplit 函数来创建训练集和测试集 用于时间序列的交叉验证。例如，这个想法是使用 n-1 个数据点进行训练，使用第 n 个数据点进行测试。此拆分必须始终是有序的，因为它是一个时间序列。 但是，我不明白，为什么示例中的数据集 X 的格式如下：

from sklearn.model_selection import TimeSeriesSplit
import numpy as np
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4])
tscv = TimeSeriesSplit(n_splits=3)
print(tscv)  
for train_index, test_index in tscv.split(X):
    print("TRAIN:", train_index, "TEST:", test_index)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

将数据准备为 X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]]) 背后的逻辑是什么？ 当然，我看了页面上的注释，但还是不明白

Answer 1

通常在您想要基于 X[0:t-1] 数据预测 y[t] 的时间序列数据中。这个sklearn.model_selection.TimeSeriesSplit 方法似乎将单个完整时间序列X 大小为N（其中N 是不同时间步长的实例数）及其在每个时间步长y 的相应标签作为参数。然后，X 的形状是 (4,2)，因为我们有四个不同时间步长的实例，每个实例有 2 个特征。

我们如何解释这两个特征可能会引起争议：

1. 我们可以将每个实例视为具有一组特征的特定时间点的单个样本。或者...
2. 我们可以将每个实例视为一组时间点，在一个时间间隔内定义实例本身。

这两个选项对我来说似乎都是正确的。虽然我们可以如何解释X的结构，但这里的问题是TimeSeriesSplit如何将数据从训练数据实例的先前时间步中拆分出来，避免测试数据实例。