Cuestionario vinculado a una guía · Medio Nivel

Funciones de retraso para el cuestionario de pronóstico de series temporales

Cree funciones continuas y de retraso válidas en el tiempo, identifique riesgos de fugas y elija divisiones de validación que se asemejen al uso de pronósticos futuros.

Rutas de guía relacionadasFunciones de retraso para el pronóstico de series temporales
Pregunta 1 de 8

Para pronosticar y_t antes del tiempo t, ¿qué característica de retraso es temporalmente válida?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. Para pronosticar y_t antes del tiempo t, ¿qué característica de retraso es temporalmente válida?
    • y_(t-1)
    • y_(t+1)
    • The realized value y_t
    • The average of all observations through the test period
  2. ¿Dónde debería terminar una media final de siete días al predecir el valor del día siguiente?
    • At the target day including its actual value
    • At the last fully observed day before the target
    • At the end of the full evaluation dataset
    • At the future forecast horizon
  3. ¿Por qué una división aleatoria puede dar una evaluación de series de tiempo poco realista?
    • It removes all seasonal structure
    • It makes every lag feature missing
    • Future rows may train a model evaluated on earlier periods
    • It guarantees that test rows precede training rows
  4. ¿Cuándo es un indicador de vacaciones planificadas una característica de pronóstico válida?
    • Whenever the model accuracy improves
    • Only after the holiday has occurred
    • When it is calculated using test outcomes
    • When the calendar information is known at forecast time
  5. ¿Por qué una división de validación podría incluir una brecha?
    • To make the forecast horizon random
    • Delayed labels or overlapping windows can otherwise cross the boundary
    • To ensure all features are standardized twice
    • To increase training data with future observations
  6. How should scaling or imputation be fit during time-series cross-validation?
    • Only on the final test set
    • Once on all dates before splitting
    • Within each training fold only
    • Separately on each individual feature after prediction
  7. Which procedure recursively generates a multi-step forecast?
    • Remove all lag features after the first forecast
    • Use only future actual values at every step
    • Train a separate model for each target class
    • Feed earlier forecast predictions into later forecast features
  8. What should a backtest reproduce for reliable assessment?
    • Information available at each forecast origin and the intended retraining cadence
    • Only the final feature matrix after all data are collected
    • A random order of historical targets
    • The model's training accuracy alone