如何避免我的 KNN 模型中的时间泄漏？

Question

我正在构建一个 KNN 模型来预测房价。我将检查我的数据和模型，然后是我的问题。

数据 -

# A tibble: 81,334 x 4
   latitude longitude close_date          close_price
      <dbl>     <dbl> <dttm>                    <dbl>
 1     36.4     -98.7 2014-08-05 06:34:00     147504.
 2     36.6     -97.9 2014-08-12 23:48:00     137401.
 3     36.6     -97.9 2014-08-09 04:00:40     239105.

型号 -

library(caret)
training.samples <- data$close_price %>%
  createDataPartition(p = 0.8, list = FALSE)
train.data  <- data[training.samples, ]
test.data <- data[-training.samples, ]

model <- train(
  close_price~ ., data = train.data, method = "knn",
  trControl = trainControl("cv", number = 10),
  preProcess = c("center", "scale"),
  tuneLength = 10
)

我的问题是时间泄漏。我正在使用后来关闭的其他房屋对房屋进行预测，而在现实世界中，我不应该访问该信息。

我想对模型应用一条规则，即对于每个值 y，仅使用在该 y 之前关闭的房屋。我知道我可以在某个日期拆分我的测试数据和我的训练数据，但这并不能完全做到。

是否可以在caret 或其他knn 库（如class 和kknn）中防止这种时间泄漏？

Answer 1

在caret 中，createTimeSlices 实现了适应时间序列的交叉验证变体（通过滚动预测原点来避免时间泄漏）。 文档是here。

在您的情况下，根据您的确切需求，您可以使用类似的方法进行适当的交叉验证：

your_data <- your_data %>% arrange(close_date)

tr_ctrl <- createTimeSlices(
  your_data$close_price, 
  initialWindow  = 10, 
  horizon = 1,
  fixedWindow = FALSE)

model <- train(
  close_price~ ., data = your_data, method = "knn",
  trControl = tr_ctrl,
  preProcess = c("center", "scale"),
  tuneLength = 10
)

编辑： 如果您在日期上有联系，并且希望在测试集和火车集的同一天完成交易，您可以先修复 tr_ctrl，然后在 train 中使用它：

filter_train <- function(i_tr, i_te) {
  d_tr <- as_date(your_data$close_date[i_tr]) #using package lubridate
  d_te <- as_date(your_data$close_date[i_te])
  tr_is_ok <- d_tr < min(d_te)

  i_tr[tr_is_ok]
}

tr_ctrl$train <- mapply(filter_train, tr_ctrl$train, tr_ctrl$test)