A PowerGrid Inc. treina um modelo para prever a carga horária de eletricidade ao longo de vários anos, armazenada em um data lake S3, e usa trabalhos do SageMaker Processing para engenharia de features. A equipe considerou usar uma validação cruzada k-fold padrão (scikit-learn KFold com shuffle=False) durante o ajuste de hiperparâmetros no SageMaker, mas está preocupada com o vazamento temporal. Qual estratégia de validação e integração com o SageMaker é a melhor prática para evitar vazamento, ao mesmo tempo em que oferece suporte a um ajuste robusto de hiperparâmetros?

A validação walk-forward (rolling-origin) é a melhor prática para séries temporais, pois simula o cenário de previsão do mundo real, onde o modelo é treinado apenas em dados históricos e avaliado em dados futuros. Isso evita o vazamento temporal, que ocorreria se dados futuros fossem usados no treinamento. O SageMaker Processing ou múltiplos trabalhos de treinamento permitem orquestrar essa estratégia de forma eficiente. Usar CV k-fold padrão com shuffle=False ainda pode levar a vazamento temporal se os folds não forem estritamente baseados no tempo. A validação leave-one-out é computacionalmente cara e não é ideal para séries temporais. Uma única divisão hold-out é menos robusta para ajuste de hiperparâmetros do que múltiplas iterações de validação.