时间序列中如何进行交叉验证?分享几招!
1、有滑动窗口拆分和扩展窗口拆分两种方法。滑动窗口拆分器在滑动窗口上生成折，其中训练窗口大小固定，而测试窗口大小可能变化；而扩展窗口拆分器则使训练序列长度随时间增长，测试序列长度保持不变。
2、最后，对于时间序列数据，TimeSeriesSplit就像按时间顺序进行分割的精确指南针，确保了模型在预测未来的旅程中不会看到自己的过去。
3、打乱的K折交叉验证：保证每次验证数据是随机的。随机排列交叉验证：每次迭代随机抽样整个数据集，快速但可能重复样本。分层K折：保持类别分布平衡，打乱或不打乱。分组K折：保证同一组在训练和验证中不同时出现，有留一组和留N组两种。
线性回归模型使用技巧
线性回归模型简单易用，但需注意模型假设、共线性和异常值等问题。在实际应用中，理解这些概念并学会识别和处理潜在问题，将有助于构建更准确的预测模型。随着数据科学的发展，线性回归仍然是许多复杂模型的基础，如岭回归、套索回归和多项式回归等。
确定因变量和自变量：首先，我们需要明确要分析的因变量（即我们想要预测或解释的变量）和可能影响它的自变量（即我们认为可能与因变量相关的变量）。 建立多元线性回归模型：根据已知数据，我们可以建立一个多元线性回归模型，计算得到原始回归系数。
Logit模型是一种用于二元分类问题的统计模型。它使用对数几率函数(logit function)来模拟对结果的预测， 从而可以对结果进行线性建模。这样可以使用线性回归技巧来估计参数并进行预测。另外，由于Logit模型的输出是在0和1之间的概率值，因此它也可以用来模拟逻辑回归。
Lin是线性回归，就是一次函数 y=Bx+A （和常规不同使用时注意A和B）实用方法：1 输入两个坐标点可求出函数。