مقسِّم بالتنقية والحظر

حين يتشارك الجيران تسمية

لنفترض أن تسمية اليوم t هي العائد من إغلاق اليوم t إلى إغلاق اليوم t+h مع h=5. عندئذ تتشارك تسميتا اليوم t واليوم t+1 أربعة من عوائدهما اليومية الخمسة: إنهما تقريبًا العدد نفسه. والتحقق المتقاطع K-fold الذي يضع اليوم t في التدريب واليوم t+1 في الاختبار يدع النموذج يرى الإجابة التي يُختبر بها. فيبدو نموذج مرن كأقرب الجيران بارعًا لمجرد أنه يتذكر. وللتسرب شكل دقيق: تسمية الصف i لا تُعرف إلا عند الصف i+h فيتداخل الصف i مع كتلة اختبار [t₀,t₁] عندما i+h≥t₀ وi≤t₁.

التنقية تحذف كل صف تدريب يتداخل مع كتلة الاختبار. والحظر يحذف صفوفًا أخرى بعد الكتلة مباشرة لأن المتغيرات البطيئة كعائد 20 يومًا تواصل حمل المعلومة إلى الأمام. والمقسِّم في scikit-learn هو أي كائن فيه split(X) الذي ينتج مصفوفتي فهارس (train, test) وget_n_splits()؛ ويمكن تمريره بوصفه cv= إلى cross_val_score أو GridSearchCV. على 5,340 يومًا من SPY بأربعة متغيرات بطيئة وتسمية خمسة أيام يبلغ R التربيعي لنموذج أقرب الجيران 0.039 مع طيات مخلوطة و-0.36 مع طيات منقّاة. لا مهارة للنموذج والرقم المخلوط هو التسرب يتكلم. والـ K-fold البسيط غير المخلوط أفضل بكثير لكن فيه 120 زوجًا متداخلًا عند الحدود الأربعة؛ أما المقسِّم المنقّى فلا زوج فيه.

• التسميات المتداخلة تضع شبه نسخ على جانبي التقسيم فيكافئ K-fold المخلوط الحفظ.
• نقِّ الصفوف التي فيها i+h≥t₀ وi≤t₁؛ واحظر بضعة صفوف بعد t₁.
• المقسِّم ليس إلا split وget_n_splits: أي كائن فيه الاثنان يصلح بوصفه cv=.

المختبر: ما الذي يُقيَّم

• التنقية والحظر25 نقطة
• المقسِّم25 نقطة
• المقيِّم10 نقطة
• عدّ التداخلات15 نقطة
• دراسة التسرب25 نقطة