将随机森林用于时间序列数据集

Question

对于时间序列数据集，我想做一些分析并创建预测模型。通常，我们会将数据（通过在整个数据集中随机抽样）拆分为训练集和测试集，并使用带有 randomForest 函数的训练集。并保留测试部分以检查模型的行为。

但是，有人告诉我，对于时间序列数据，不能通过随机抽样来拆分数据。

如果有人解释如何将数据拆分为时间序列数据的训练和测试，我将不胜感激。或者如果有任何替代方法来做时间序列随机森林。问候

Answer 1

我们生活在一个 "future-to-past-causality" 只出现在酷炫科幻电影中的世界。因此，在对时间序列建模时，我们希望避免用未来事件来解释过去事件。此外，我们想验证我们的模型，严格根据过去的事件训练，可以解释未来的事件。

使用 RF 滚动对时间序列 T 进行建模。对于第 t 天，值 T[t] 是目标，值 T[t-k] 其中 k= {1,2,...,h}，其中 h 是过去 horizon 将被使用形成特征。对于非平稳时间序列，T 被转换为例如相对改变Trel。 = (T[t+1]-T[t]) / T[t].

为了评估性能，我建议检查 RF 的 out-of-bag 交叉验证度量。请注意，有一些陷阱可能会使该措施过于乐观：

最后，每个人都可能以某种潜在的方式犯以上错误。要检查没有发生这种情况，您需要通过回溯测试来验证您的模型。每天都由仅根据过去事件严格训练的模型进行预测。

当 OOB-CV 和回溯测试完全不一致时，这可能是代码中某些错误的提示。

要进行回测，请在 T[t-1 到 t-traindays] 上滚动。对此训练数据建模并预测 T[t]。然后将 t 加一，t++，然后重复。

为了加快速度，您可以只训练一次模型，也可以在每第 n 个 t 增量时训练模型。

Answer 2

读取销售文件

Sales<-read.csv("Sales.csv")

寻找训练集的长度。

train_len=round(nrow(Sales)*0.8) 
test_len=nrow(Sales)

在这里将您的数据拆分为训练和测试集我考虑过 80-20 拆分，您可以更改它。确保您的数据按升序排序。训练集

training<-slice(SubSales,1:train_len)

测试集

testing<-slice(SubSales,train_len+1:test_len)

Using Random Forest for time series dataset