5.1 数据集划分策略

文档摘要

5.1 数据集划分策略 5.1 数据集划分策略在基于深度学习的时间序列预测任务中，数据集的划分策略是模型训练、评估与优化的基石。与传统的机器学习任务不同，时间序列数据具有固有的时间依赖性，样本之间并非独立同分布。因此，简单地随机划分数据会导致数据泄露，从而高估模型的泛化能力。本章节将详细探讨时间序列数据集划分的各种策略，并分析其优缺点。 5.1.1 时间序列数据的特性与划分挑战时间序列数据的一个核心特性是其时间顺序性。未来的事件依赖于过去的事件，但过去的事件不依赖于未来的事件。这种单向的时间依赖性意味着我们不能使用未来的数据来训练模型，然后用过去的数据来评估。如果这样做，模型在训练过程中会“看到”未来的信息，导致在实际预测中表现不佳。另一个挑战是非独立同分布性（Non-I.I.D.）。