machine-learning - 如何将数据集拆分为训练集和验证集

Question

我们有一些数据集:

1月至6月每天100种产品的销售数量，

我们的目标是预测 7 月份每天的销售数量。

那么如何将数据集拆分为训练集、验证集

Answer 1

时间序列是不应随机分割的典型情况(一般来说，当存在显着的示例-示例相关性时，不应随机分割)。

通常销售额不是严格动态的时间序列(如股票价格)，而是使用 train_test_split可能会有问题。

您无需使用 sklearn 即可获得所需的交叉验证分割(例如 sklearn: User defined cross validation for time series data 、 Pythonic Cross Validation on Time Series ...)。

70-80% 的培训是标准的。假设样本均匀分布，您可以使用一月到四月/五月的数据作为训练集，其余记录进行验证。

目前，据我所知，sklearn 不支持对时间相关问题进行严格的交叉验证。所有开箱即用的交叉验证例程将构建训练折叠，其中包括与测试折叠相关的 future 信息(例如 [WIP] RollingWindow cross-validation #3638 )。

此外，您应该考虑您的数据是否具有季节性或是否有其他明显的分组划分(例如地理区域)。