การ Cross-validate ข้อมูล Time Series

Machine Learning สำหรับข้อมูล Time Series ใน Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Cross Validation ด้วย scikit-learn

# Iterating over the "split" method yields train/test indices
for tr, tt in cv.split(X, y):
    model.fit(X[tr], y[tr])
    model.score(X[tt], y[tt])

ประเภท Cross Validation: KFold

KFold แบ่งข้อมูลออกเป็นหลาย "fold" ที่มีขนาดเท่ากัน
เป็นหนึ่งในรูปแบบ Cross-validation ที่ใช้บ่อยที่สุด
```
  from sklearn.model_selection import KFold
  cv = KFold(n_splits=5)
  for tr, tt in cv.split(X, y):
      ...
```

แสดงผลการพยากรณ์ของโมเดล

fig, axs = plt.subplots(2, 1)

# Plot the indices chosen for validation on each loop
axs[0].scatter(tt, [0] * len(tt), marker='_', s=2, lw=40)
axs[0].set(ylim=[-.1, .1], title='Test set indices (color=CV loop)', 
           xlabel='Index of raw data')

# Plot the model predictions on each iteration
axs[1].plot(model.predict(X[tt]))
axs[1].set(title='Test set predictions on each CV loop', 
           xlabel='Prediction index')

แสดงพฤติกรรมของ KFold CV

ข้อควรระวังเรื่องการสุ่มข้อมูล

CV iterator หลายตัวรองรับการสุ่มข้อมูลระหว่างกระบวนการ Cross-validation
ใช้ได้ก็ต่อเมื่อข้อมูลเป็นแบบ i.i.d. ซึ่ง Time Series มักจะไม่ใช่

ไม่ควรสุ่มข้อมูลเมื่อทำการพยากรณ์กับ Time Series

  from sklearn.model_selection import ShuffleSplit

  cv = ShuffleSplit(n_splits=3)
  for tr, tt in cv.split(X, y):
      ...

แสดงพฤติกรรมของ CV แบบสุ่มข้อมูล

การใช้ Time Series CV Iterator

ที่ผ่านมา เราละเลยลำดับเวลาในกระบวนการ Cross-validation
แต่โดยทั่วไป ไม่ควรใช้ข้อมูลในอนาคตเพื่อพยากรณ์อดีต
แนวทางที่ดี: ใช้ข้อมูลจากอดีตเสมอเพื่อพยากรณ์อนาคต

แสดงพฤติกรรมของ Time Series Cross Validation Iterator

# Import and initialize the cross-validation iterator
from sklearn.model_selection import TimeSeriesSplit
cv = TimeSeriesSplit(n_splits=10)

fig, ax = plt.subplots(figsize=(10, 5))
for ii, (tr, tt) in enumerate(cv.split(X, y)):
    # Plot training and test indices
    l1 = ax.scatter(tr, [ii] * len(tr), c=[plt.cm.coolwarm(.1)], 
                    marker='_', lw=6)
    l2 = ax.scatter(tt, [ii] * len(tt), c=[plt.cm.coolwarm(.9)], 
                    marker='_', lw=6)
    ax.set(ylim=[10, -1], title='TimeSeriesSplit behavior', 
           xlabel='data index', ylabel='CV iteration')
    ax.legend([l1, l2], ['Training', 'Validation'])

แสดงผล TimeSeriesSplit Cross Validation Iterator

ฟังก์ชัน Scoring แบบกำหนดเองใน scikit-learn

def myfunction(estimator, X, y):
    y_pred = estimator.predict(X)
    my_custom_score = my_custom_function(y_pred, y)
    return my_custom_score

ฟังก์ชัน Correlation แบบกำหนดเองสำหรับ scikit-learn

def my_pearsonr(est, X, y):
    # Generate predictions and convert to a vector 
    y_pred = est.predict(X).squeeze()

    # Use the numpy "corrcoef" function to calculate a correlation matrix
    my_corrcoef_matrix = np.corrcoef(y_pred, y.squeeze())

    # Return a single correlation value from the matrix
    my_corrcoef = my_corrcoef[1, 0]
    return my_corrcoef

มาฝึกกันเถอะ!

Machine Learning สำหรับข้อมูล Time Series ใน Python