sklearn.model_selection.train_test_split（shuffle=False）方法是否适用于时间序列预测？或者在处理时间序列时，不应使用此方法执行训练和测试集拆分？
很多人认为不应该使用train_test_split，因为它是随机拆分的，会导致数据泄漏，但是如果shuffle=False的设置正是为了定义训练集和测试集之间不应该有数据泄漏，那么为什么不对时间序列使用train_test_split(shuffle=False)呢？
我知道TimeSeriesSplit，但我仍然想了解使用train_test_split(shuffle=False)表示时间序列是否正确。
2条答案
按热度按时间tzdcorbm1#
在处理时间序列数据时，你不应该做随机分割，因为你需要保持数据的连续性，所以你应该使用另一种方法，比如
sklearn.model_selection.TimeSeriesSplit。这将允许创建遵循数据时间元素的多个数据折叠，并保持对旧（过去）数据的训练和对新（未来）数据的测试（预测）。
通过使用
shuffle=True，您可以随机地移动数据，这在某些情况下是有用的，但在处理基于时间的数据时就不行了，因此您应该使用shuffle=False。另一种方法是手动分割数据，比如说，将前80%用于train（过去），后20%用于test（将来），但是如果可以的话，使用已经为我们编写的函数会更容易。
您可以在这里阅读更多信息：TimeSeriesSplit.
hgc7kmma2#
以下是对在处理时间序列时不适合重排数据的原因的简单解释：
想象一下，你有一堆数据点，它们代表了一段时间内发生的事情，每个数据点都有一个时间戳，比如一个日期，告诉你事情发生的时间。
现在，假设您将所有数据点混合在一起并按不同的顺序排列，这就像 Shuffle 一样，这看起来是个好主意，因为它可以帮助您检查模型是否运行良好，但实际上不是个好主意，因为数据点的顺序很重要。
数据点就像一个故事，它们发生的顺序对于理解故事很重要。如果你打乱数据点，就像是乱了顺序讲故事，故事就没有意义了。如果数据没有意义，你的模型就很难从数据中学习。
因此，在处理时间序列数据时，务必使数据点按其发生的顺序排列。这样，您的模型才能从数据中学习并做出正确的预测。