首先，讓我們看一個小的單變量時間序列數據，我們將用作上下文來理解這三種回測方法：太陽黑子數據集。該數據集描述了剛剛超過 230 年（1749-1983 年）觀察到的太陽黑子數量的每月計數。

數據集顯示了季節之間差異很大的季節性。
首先對數據集進行訓練-測試劃分：

使用多個訓練測試拆分將導致訓練更多模型，進而更準確地估計模型在未見數據上的性能。
訓練-測試拆分方法的一個限制是，訓練的模型在測試集中的每個評估中被評估時保持固定。
這可能是不現實的，因為模型可以在新的每日或每月觀察可用時重新訓練。下一節將解決這個問題。

向前驗證

在實踐中，我們很可能會在新數據可用時重新訓練我們的模型。
這將為模型提供在每個時間步進行良好預測的最佳機會。我們可以在這個假設下評估我們的機器學習模型。
1.最少觀察次數。首先，我們必須選擇訓練模型所需的最少觀察次數。如果使用滑動窗口，這可能被認為是窗口寬度（見下一點）。
2.滑動或擴展窗口。接下來，我們需要決定模型是使用所有可用數據進行訓練，還是僅根據最近的觀察結果進行訓練。這決定了使用滑動窗口還是展開窗口。

總結

以上是生活随笔為你收集整理的前向验证对于模型的更新作用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。