引導式測驗 · 中等 等級
時間序列預測測驗的滯後特徵
建構時間有效的滯後和滾動特徵,識別洩漏風險並選擇類似於未來預測使用的驗證分割。
問題 1 的 8
要在時間 t 前預測 y_t,哪個滯後特徵在時間上有效?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 要在時間 t 前預測 y_t,哪個滯後特徵在時間上有效?
- y_(t-1)
- y_(t+1)
- 實作值 y_t
- 測試期間所有觀察結果的平均值
- 在預測第二天的價值時,尾隨 7 天平均值應該在哪裡結束?
- 在目標日,包括其實際價值
- 在目標之前的最後一個完全觀察的日子
- 完整評估資料集的末尾
- 在未來的預測範圍內
- 為什麼隨機分割會給出不切實際的時間序列評估?
- 它消除了所有季節性結構
- 它使得每個滯後特徵都缺失
- 未來的行可能會訓練在早期評估的模型
- 它保證測試行先於訓練行
- 規劃假期指標何時是有效的預測功能?
- 每當模型精度提高時
- 僅在假期結束後
- 當使用測試結果計算時
- 當日曆資訊在預測時間已知時
- 為什麼驗證拆分可能包含間隙?
- 使預測範圍隨機
- 否則,延遲的標籤或重疊的視窗可能會跨越邊界
- 確保所有功能都標準化兩次
- 透過未來的觀察來增加訓練數據
- 在時間序列交叉驗證期間應如何進行縮放或插補?
- 僅在最終測試集上
- 分手前所有日期一次
- 僅在每個訓練折疊內
- 預測後分別針對每個單獨的特徵
- 哪個過程遞歸地產生多步驟預測?
- 刪除第一次預測後的所有滯後特徵
- 每一步僅使用未來的實際值
- 為每個目標類別訓練單獨的模型
- 將早期的預測結果輸入到後期的預測特徵中
- 回測應該重現什麼才能進行可靠的評估?
- 每個預測源的可用資訊和預期的再訓練節奏
- 只有所有資料收集完畢後的最終特徵矩陣
- 歷史目標的隨機順序
- 僅模型的訓練精度