Python 使用验证窗口进行时间序列数据交叉验证

我希望对我的时间序列数据执行前向验证。关于如何执行滚动窗口，存在大量文档：

或展开窗口

但这种验证与我的生产系统中的情况并不相符：我想每天重新训练一个模型，在未来14天内做出预测。因此，我只会在我之前的培训周期中添加一天的数据（其他方法在接下来的培训周期中添加了一整套长度

测试大小

；在我的情况下为14天的数据）。因此，我想用滑动窗口验证我的模型：

我的问题是，我找不到一个能完成这项工作的Python库。从sklearn那里，我们别无选择。 基本上我想提供：

test\u size

，

n\u fold

，

min\u train\u size

和

---

如果

n\u fold>（n\u samples-min\u train\u size）%test\u size

，则下一步

training\u set

从上一个fold

test\u set
中提取数据看起来您的要求是使测试大小大于1倍。要进行更改，您需要调整线条

我已经做了这些更改，并添加了一个名为
n\u test\u folds
的新参数，以便可以对其进行自定义

来自sklearn.model\u选择的
。\u分割导入时间序列分割
从sklearn.utils.validation导入\u不推荐\u位置参数
从sklearn.utils导入可索引
从sklearn.utils.validation导入\u num\u示例
类WindowedTestTimeSeriesSplit（TimeSeriesSplit）：
"""
参数
----------
n_测试折叠：int
每次迭代时用作测试的折叠数。
默认情况下，1。
"""
@_弃用位置参数
定义初始（自，n个拆分=5，*，最大列大小=无，n个测试折叠=1）：
super（）.\uuuu init\uuuu（n\u拆分，
最大列车尺寸=最大列车尺寸）
self.n\u test\u folds=n\u test\u folds
def拆分（自身、X、y=无，组=无）：
“”“生成索引以将数据拆分为训练集和测试集。”。
参数
----------
X：形状的阵列状（n个样本，n个特征）
训练数据，其中n_samples是样本数
n_features是特征的数量。
y：形状的数组状（n_个样本，）
始终忽略，因为兼容性而存在。
组：形状的阵列状（n_个样本）
始终忽略，因为兼容性而存在。
产量
------
火车：Ndaray
该分割的训练集索引。
测试：Ndaray
测试设置了该拆分的索引。
"""
十、 y，组=可索引（X，y，组）
n_样本=_num_样本（X）
n_splits=self.n_splits
n_折叠=n_拆分+自测试n_折叠
如果n_折叠>n_样本：
升值误差(
（“折叠次数不能大于{0}”
“比样本数：{1}.”。格式（n_倍，
n(样本)
指数=np.arange（n_样本）
折叠大小=（n个样本//n个折叠）
测试大小=折叠大小*self.n测试折叠测试窗口
测试开始=范围（折叠大小+n个样本%n个折叠，
n_samples-test_size+1，fold_size）#基于fold_size而不是test_size进行拆分
对于测试启动中的测试启动：
如果self.max\u系列尺寸和self.max\u系列尺寸<测试开始：
产量（指标[测试启动-自身最大列车大小：测试启动]，
索引[测试开始：测试开始+测试大小]）
其他：
收益率（指数[：测试开始]，
索引[测试开始：测试开始+测试大小]）

例如：

将numpy导入为np
X=np.数组（[[1,2]，[3,4]，[1,2]，[3,4]，[1,2]，[3,4]）
y=np.数组（[1,2,3,4,5,6]）
tscv=WindowedTestTimesPeriesSplit（n_分割=4，n_测试折叠=2）
印刷品（tscv）
对于列车索引，在tscv.split（X）中测试列车索引：
打印（“列车：，列车索引，测试：，测试索引）
X_列，X_测试=X[列索引]，X[测试索引]
y_列，y_测试=y[列指数]，y[测试指数]
#WindowedTestTimesPeriesSplit（最大列大小=无，n个拆分=4，n个测试折叠=2）
#列车：[0]测试：[1 2]
#列车：[0 1]测试：[2 3]
#列车：[0 1 2]测试：[3 4]
#列车：[0 1 2 3]测试：[4 5]

注：未生成序列：[0 1 2 3 4]测试：[5]，因为它不满足测试折叠次数的要求

使用函数，我们可以可视化CV的不同分割

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Patch
np.random.seed(1338)
cmap_data = plt.cm.Paired
cmap_cv = plt.cm.coolwarm
n_splits = 4


# Generate the class/group data
n_points = 100
X = np.random.randn(100, 10)

percentiles_classes = [.1, .3, .6]
y = np.hstack([[ii] * int(100 * perc)
               for ii, perc in enumerate(percentiles_classes)])

# Evenly spaced groups repeated once
groups = np.hstack([[ii] * 10 for ii in range(10)])

fig, ax = plt.subplots()
cv = WindowedTestTimeSeriesSplit(n_splits=n_splits, n_test_folds=2)
plot_cv_indices(cv, X, y, groups, ax, n_splits)
plt.show()

以下是我的解决方案，允许用户指定测试范围和用于培训的最小数据样本：

from sklearn.model_selection import TimeSeriesSplit
from sklearn.utils import indexable
from sklearn.utils.validation import _num_samples

class TimeSeriesSplitCustom(TimeSeriesSplit):
    def __init__(self, n_splits=5, max_train_size=None,
                 test_size=1,
                 min_train_size=1):
        super().__init__(n_splits=n_splits, max_train_size=max_train_size)
        self.test_size = test_size
        self.min_train_size = min_train_size

    def overlapping_split(self, X, y=None, groups=None):
        min_train_size = self.min_train_size
        test_size = self.test_size

        n_splits = self.n_splits
        n_samples = _num_samples(X)

        if (n_samples - min_train_size) / test_size >= n_splits:
            print('(n_samples -  min_train_size) / test_size >= n_splits')
            print('default TimeSeriesSplit.split() used')
            yield from super().split(X)

        else:
            shift = int(np.floor(
                (n_samples - test_size - min_train_size) / (n_splits - 1)))

            start_test = n_samples - (n_splits * shift + test_size - shift)

            test_starts = range(start_test, n_samples - test_size + 1, shift)

            if start_test < min_train_size:
                raise ValueError(
                    ("The start of the testing : {0} is smaller"
                     " than the minimum training samples: {1}.").format(start_test,
                                                                        min_train_size))

            indices = np.arange(n_samples)

            for test_start in test_starts:
                if self.max_train_size and self.max_train_size < test_start:
                    yield (indices[test_start - self.max_train_size:test_start],
                           indices[test_start:test_start + test_size])
                else:
                    yield (indices[:test_start],
                           indices[test_start:test_start + test_size])


（要获得相同的结果，请确保更改

对于枚举（**cv.overlapping_split**（X=X，y=y，groups=group））中的ii（tr，tt）：


在
plot\u cv\u index
函数中

干杯！
我的回答解决了你的问题吗？谢谢你的回答！它确实很有帮助；特别是可视化。我想出了一个稍微不同的解决方案，满足了我的要求，特别是关于
min\u training\u size
和
test\u size
，我想控制它，这很有帮助。我瘦了k、 测试大小n\u测试折叠已捕获的内容。滑动窗口视觉中未捕获您的最小训练大小。因此，我没有添加它。
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Patch
from ModelEvaluation import TimeSeriesSplitCustom
np.random.seed(1338)
cmap_data = plt.cm.Paired
cmap_cv = plt.cm.coolwarm
n_splits = 13

# Generate the class/group data
n_points = 100
X = np.random.randn(100, 10)

percentiles_classes = [.1, .3, .6]
y = np.hstack([[ii] * int(100 * perc)
               for ii, perc in enumerate(percentiles_classes)])

# Evenly spaced groups repeated once
groups = np.hstack([[ii] * 10 for ii in range(10)])

fig, ax = plt.subplots()

cv = TimeSeriesSplitCustom(n_splits=n_splits, test_size=20, min_train_size=12)
plot_cv_indices(cv, X, y, groups, ax, n_splits)
plt.show()