一家金融公司必须使用每日历史数据预测商品价格。数据科学家应该在80%的数据集上训练模型，并在剩余的20%上进行验证。为了使时间序列预测的模型比较有效，数据应该如何拆分？

在时间序列预测中，数据的时间顺序至关重要。模型应该根据过去的数据进行训练，以预测未来的事件。因此，将数据集按时间顺序拆分是正确的做法：选择一个截止日期，将截止日期之前的数据用于训练，截止日期之后的数据用于验证。这样做可以模拟模型在实际应用中遇到的情况，即利用已知历史预测未知未来。 选择一个截止日期，使80%的数据点发生在该日期之后，并用这些较晚的数据训练模型，用较早的数据验证，这是不正确的，因为它违反了时间序列的因果关系，即不能用未来的数据预测过去。 分层选择或随机抽样对于时间序列数据是不合适的，因为它们会破坏数据的时间依赖性，导致模型在预测未来时表现不佳。时间序列数据点之间存在序列相关性，随机打乱会消除这种重要信息。