python - machine - scikit-learn validación cruzada splits personalizados para datos de series de tiempo

scikit learn guide

Question

Me gustaría usar el GridSearchCV de scikit-learn para determinar algunos parámetros de hipertexto para un modelo de bosque aleatorio. Mis datos dependen del tiempo y se parecen a

import pandas as pd

train = pd.DataFrame({''date'': pd.DatetimeIndex([''2012-1-1'', ''2012-9-30'', ''2013-4-3'', ''2014-8-16'', ''2015-3-20'', ''2015-6-30'']), 
''feature1'': [1.2, 3.3, 2.7, 4.0, 8.2, 6.5],
''feature2'': [4, 4, 10, 3, 10, 9],
''target'': [1,2,1,3,2,2]})

>>> train
        date  feature1  feature2  target
0 2012-01-01       1.2         4       1
1 2012-09-30       3.3         4       2
2 2013-04-03       2.7        10       1
3 2014-08-16       4.0         3       3
4 2015-03-20       8.2        10       2
5 2015-06-30       6.5         9       2

¿Cómo puedo implementar la siguiente técnica de plegado de validación cruzada?

train:(2012, 2013) - test:(2014)
train:(2013, 2014) - test:(2015)

Es decir, quiero utilizar 2 años de observaciones históricas para entrenar un modelo y luego probar su precisión en el año siguiente.

Answer 1

Solo tiene que pasar un iterable con los splits a GridSearchCV. Esta división debe tener el siguiente formato:

[
 (split1_train_idxs, split1_test_idxs),
 (split2_train_idxs, split2_test_idxs),
 (split3_train_idxs, split3_test_idxs),
 ...
]

Para obtener los idx puedes hacer algo como esto:

groups = df.groupby(df.date.dt.year).groups
# {2012: [0, 1], 2013: [2], 2014: [3], 2015: [4, 5]}
sorted_groups = [value for (key, value) in sorted(groups.items())] 
# [[0, 1], [2], [3], [4, 5]]

cv = [(sorted_groups[i] + sorted_groups[i+1], sorted_groups[i+2])
      for i in range(len(sorted_groups)-2)]

Esto se ve así:

[([0, 1, 2], [3]),  # idxs of first split as (train, test) tuple
 ([2, 3], [4, 5])]  # idxs of second split as (train, test) tuple

Entonces puedes hacer:

GridSearchCV(estimator, param_grid, cv=cv, ...)