Заказ временных рядов для машинного обучения

Прочитав один из «Советов по исследованию» Р. Дж. Хиндмана о перекрестной проверке и временных рядах, я вернулся к своему старому вопросу, который я постараюсь сформулировать здесь. Идея состоит в том, что в задачах классификации или регрессии порядок данных не важен, и, следовательно, можно использовать перекрестную проверку в k- кратном порядке. С другой стороны, во временных рядах упорядочение данных, очевидно, имеет большое значение.

Однако при использовании модели машинного обучения для прогнозирования временных рядов общей стратегией является преобразование ряда в набор «векторов ввода-вывода», которые в течение времени имеют форма .$\{y_1, ..., y_T\}$$t$$(y_{t-n+1}, ..., y_{t-1}, y_{t}; y_{t+1})$

Теперь, когда это изменение формы выполнено, можем ли мы считать, что результирующий набор «векторов ввода-вывода» не нужно упорядочивать? Если мы используем, например, прямую нейронную сеть с n входами для «изучения» этих данных, мы получим одинаковые результаты независимо от порядка, в котором мы показываем векторы для модели. И поэтому, можем ли мы использовать перекрестную проверку в k-кратном порядке стандартным способом, без необходимости каждый раз заново подгонять модель?

Ответ на этот вопрос заключается в том, что это будет работать нормально, если ваш порядок модели указан правильно, так как тогда ошибки вашей модели будут независимыми.

Эта статья здесь показывает , что если модель имеет бедный кросс-валидация недооценивает , насколько плохой она на самом деле. Во всех других случаях перекрестная проверка будет работать хорошо, в частности, лучше, чем оценка вне выборки, обычно используемая в контексте временных рядов.

Интересный вопрос!

Подход, который вы описываете, безусловно, очень широко используется людьми, использующими стандартные методы ML, которым требуются векторы признаков фиксированной длины для анализа данных временных рядов.

В публикации, на которую вы ссылаетесь, Хиндман отмечает, что существуют корреляции между измененными векторами данных (выборками). Это может быть проблематично, так как k-CV (или другие методы оценки, которые случайным образом разделяют данные на обучающие и тестовые наборы) предполагает, что все выборки независимы. Тем не менее, я не думаю, что эта проблема актуальна для случая стандартных методов ML, которые обрабатывают атрибуты отдельно.

$n=3$

Очевидно, что A и B имеют такие термины, как $y_2$в общем Но для A это значение его второго атрибута, тогда как для B это значение его первого атрибута.