Uma empresa financeira precisa prever o preço de uma commodity usando dados históricos diários. O cientista de dados deve treinar modelos em 80% do conjunto de dados e validar nos 20% restantes. Como os dados devem ser divididos para que as comparações de modelos sejam válidas para a previsão de séries temporais?

Para séries temporais, a ordem cronológica dos dados é crucial. Dividir os dados usando uma data de corte garante que o modelo seja treinado em informações passadas e validado em dados futuros, simulando um cenário de previsão real. Isso evita o vazamento de dados (data leakage), onde o modelo "vê" informações futuras durante o treinamento. A opção de escolher uma data de corte onde 80% dos dados ocorrem após essa data é incorreta porque treinaria o modelo em dados mais recentes e o validaria em dados mais antigos, o que não é representativo de uma tarefa de previsão. A seleção estratificada ou amostragem aleatória são inadequadas para séries temporais porque quebram a dependência temporal, misturando dados futuros e passados nos conjuntos de treinamento e validação, levando a uma avaliação irrealista do desempenho do modelo.