Gids-gekoppelde quiz · Middelmatig Niveau
Walk-Forward-validatie voor tijdreeksquiz
Test de oorsprong van prognoses, rollende en uitbreidende vensters en op tijd gebaseerde lekkage in realistische evaluatie en functieworkflows.
Vraag 1 van 8
Een maandelijks model traint tot juni en voorspelt juli. In een expanding-window evaluatie, welke geschiedenis wordt gebruikt voor de volgende augustusvoorspelling?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Een maandelijks model traint tot juni en voorspelt juli. In een expanding-window evaluatie, welke geschiedenis wordt gebruikt voor de volgende augustusvoorspelling?
- August outcomes combined with January through June
- July alone, discarding all earlier months
- January through July
- January through June with months randomly reordered
- Welke onderscheid maakt een rolling training window van een expanding one?
- A rolling window retains a recent span while an expanding window accumulates earlier history
- A rolling window accumulates all earlier history while an expanding window retains a fixed recent span
- Both windows retain every historical row; only their forecast horizons differ
- The distinction depends only on how often predictions are issued
- Een bedrijf neemt beslissingen vier weken van tevoren. Waarom zou alleen een evaluatie van de volgende dag onvoldoende kunnen zijn?
- Next-day error can be multiplied by 28 to determine four-week-ahead error
- Strong next-day performance guarantees the same ranking of models at four weeks
- The training-window length alone determines which horizon has been evaluated
- De geëvalueerde horizon komt niet overeen met de daadwerkelijke beslissing
- Een functie berekent het gemiddelde van de verkopen op dezelfde dag waarvan de verkopen worden voorspeld. Welke correctie pakt de directe lekkage aan?
- Neem ook de omzet van de volgende dag mee in het gemiddelde
- Verschuif de geschiedenis zodat de uitkomst van de doeldag wordt uitgesloten
- Monteer een groter model op het niet-verschoven kenmerk
- Willekeurige volgorde van de evaluatiedata
- Waarom moeten historische externe gegevens publicatievertragingen en herzieningen weerspiegelen in een prognose-backtest?
- Gepubliceerde revisies kunnen worden gebruikt wanneer ze nauwkeuriger zijn
- Een feature is veilig wanneer de observatiedatum voorafgaat aan het doel, ongeacht de publicatiedatum
- Latere informatie was mogelijk niet beschikbaar bij de voorspelde oorsprong
- Een tijdgeordende splitter reconstrueert automatisch historische releases
- Welke extra controle is nodig, zelfs na gebruik van een bestelde splitter zoals TimeSeriesSplit?
- Controleer of bij de voorbereiding van de functies geen gebruik is gemaakt van toekomstige informatie
- Stel dat elke voorbewerking automatisch veilig is
- Use the whole dataset to calculate all target averages
- Replace the forecast horizon with a random split
- Overlapping evaluation horizons produce several forecasts for the same outcome. What should the report specify?
- That every forecast of the same target should be counted as an independent outcome
- That only the forecast with the smallest realized error is retained
- That forecast origins can be discarded once the target date is known
- Whether scoring is by forecast opportunity or aggregated by target time
- Which data condition requires extra care when using TimeSeriesSplit to compare equal-duration test folds?
- Observations arrive on a fixed daily schedule
- Observations are irregularly spaced in time
- Each fold contains the same fixed number of regularly spaced observations
- The training window expands across successive folds