引導式測驗 · 中等 等級

時間序列測驗的前向驗證

在實際的步進評估和功能工作流程中測試預測起源、捲動和擴展視窗以及基於時間的洩漏。

相關引導路徑時間序列的前向驗證
問題 1 的 8

每個月的模型在六月前訓練並預測七月。在擴張式窗口評估中,哪段歷史被用於下一個八月的預測?

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. 每個月的模型在六月前訓練並預測七月。在擴張式窗口評估中,哪段歷史被用於下一個八月的預測?
    • 八月結果與一月至六月結合
    • 僅使用七月,丟棄所有較早的月份
    • 一月至七月
    • 一月至六月,月份隨機重新排序
  2. 哪個區別將滾動訓練窗口與擴張窗口區分開來?
    • 滾動窗口保留最近的跨度,而擴張窗口累積較早的歷史
    • 滾動窗口累積所有較早的歷史,而擴張窗口保留固定的最近跨度
    • 兩種窗口都保留每一條歷史資料;只有它們的預測時程不同
    • 區別僅取決於預測發佈的頻率
  3. 一家公司提前四週做決策。為什麼僅靠次日評估可能不足?
    • 次日誤差可以乘以28來確定四週前的誤差
    • 強大的次日表現保證模型在四週時的排名相同
    • 僅訓練視窗長度就決定了評估的預測範圍
    • 評估的預測範圍與實際決策不符
  4. 一個特徵會將與被預測銷售額相同日期的銷售額取平均。哪種修正能解決直接洩漏?
    • 同時將次日的銷售額納入平均
    • 將歷史資料移位,使目標日的結果被排除
    • 對未移位的特徵使用更大的模型進行擬合
    • 隨機化評估日期的順序
  5. 為什麼歷史外部資料在預測回測中需要考慮出版延遲與修訂?
    • 只要修訂版更精確,就可以使用已發布的修訂版
    • 只要特徵的觀測日期早於目標日期,即使出版日期較晚,該特徵也是安全的
    • 較晚的資訊在預測起點時可能尚未取得
    • 時間排序的分割器會自動重建歷史發佈
  6. 即使使用像 TimeSeriesSplit 這樣的時間排序分割器,還需要進行哪些額外檢查?
    • 驗證特徵準備過程未使用未來資訊
    • 假設每個預處理操作都自動安全
    • 使用整個資料集計算所有目標平均值
    • 用隨機分割取代預測時段
  7. 重疊的評估時段會為同一結果產生多個預測。報告應該說明什麼?
    • 每個相同目標的預測都應視為獨立結果
    • 只保留實際誤差最小的預測
    • 一旦知道目標日期,預測來源可被丟棄
    • 評分是按預測機會還是按目標時間聚合
  8. 在使用 TimeSeriesSplit 比較等長測試折疊時,哪種資料條件需要額外注意?
    • 觀測以固定的每日時間表到達
    • 觀測在時間上不規則間隔
    • 每個折疊包含相同固定數量的等間距觀測
    • 訓練窗口在連續的折疊中擴展