Ein Finanzunternehmen muss einen Rohstoffpreis anhand täglicher historischer Daten prognostizieren. Der Data Scientist soll Modelle mit 80 % des Datensatzes trainieren und mit den restlichen 20 % validieren. Wie sollen die Daten aufgeteilt werden, damit Modellvergleiche für die Zeitreihenprognose gültig sind?

Bei Zeitreihendaten ist es entscheidend, die zeitliche Reihenfolge der Datenpunkte beizubehalten. Die korrekte Methode besteht darin, die früheren Daten für das Training und die späteren Daten für die Validierung zu verwenden. Dies simuliert ein reales Szenario, in dem das Modell zukünftige Werte auf der Grundlage vergangener Beobachtungen vorhersagt. Die Option, ein Stichtagsdatum zu wählen, das 80 % der Datenpunkte vor diesem Datum für das Training und die restlichen 20 % für die Validierung verwendet, ist daher korrekt. Die umgekehrte Aufteilung (spätere Daten für das Training, frühere für die Validierung) ist falsch, da sie die Vorhersage vergangener Ereignisse bedeuten würde. Zufällige oder geschichtete Stichproben zerstören die zeitliche Abhängigkeit und sind für Zeitreihenprognosen ungeeignet, da sie die Modellleistung nicht realistisch bewerten würden.