PowerGrid Inc 訓練一個模型，用於預測儲存在 S3 資料湖中多年的每小時電力負載，並使用 SageMaker Processing job 進行特徵工程。該團隊考慮在 SageMaker 上進行超參數調整時使用標準的 k-fold (scikit-learn KFold with shuffle=False) 交叉驗證，但擔心時間洩漏 (temporal leakage)。哪種驗證策略和 SageMaker 整合是避免洩漏同時支援穩健超參數調整的最佳實踐？

對於時間序列資料，walk-forward (rolling-origin) 驗證是避免時間洩漏的最佳實踐。它透過確保每個訓練集只包含過去的資料，並在隨後的未來時間窗上進行驗證，來模擬真實世界的預測場景。這可以透過多個 SageMaker Training job 或 SageMaker Processing job 來協調實現，以有效管理資料分割和模型訓練。 標準的 k-fold CV (即使 shuffle=False) 不適用於時間序列，因為它可能會將未來的資料點包含在訓練集中，導致時間洩漏。留一法交叉驗證 (LOO) 計算成本高昂，且對於時間序列資料同樣不適用，因為它沒有考慮時間順序。單一的保留驗證分割雖然避免了時間洩漏，但它只提供單一的性能評估，無法像交叉驗證那樣提供穩健的超參數調整。