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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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