Een financiële onderneming moet een grondstofprijs voorspellen met behulp van dagelijkse historische gegevens. De data scientist moet modellen trainen op 80% van de dataset en valideren op de resterende 20%. Hoe moeten de gegevens worden gesplitst, zodat modelvergelijkingen geldig zijn voor tijdreeksvoorspellingen?

Bij tijdreeksvoorspellingen is de chronologische volgorde van data cruciaal. Het correcte antwoord splitst de data op basis van een afkapdatum, waarbij de oudere 80% van de data wordt gebruikt voor training en de nieuwere 20% voor validatie. Dit simuleert een realistische scenario waarin het model wordt getraind op historische data en vervolgens wordt getest op toekomstige, ongeziene data. De optie om 80% van de datapunten ná de afkapdatum te gebruiken voor training is onjuist omdat dit zou betekenen dat het model wordt getraind op toekomstige data, wat niet representatief is voor de werkelijkheid. Willekeurige selectie of gestratificeerde selectie zijn ook ongeschikt, omdat ze de temporele afhankelijkheden in de tijdreeksdata doorbreken, wat leidt tot ongeldige modelvergelijkingen en onbetrouwbare voorspellingen.