机器学习与深度学习预测 · exp-04-feature-engineering
实验 04｜时序特征与机器学习
建议 2 学时。将时序转为监督学习，构造滞后与滚动特征，并用时序交叉验证避免泄漏。
如何在保留时间顺序的条件下构造特征、验证模型，并证明模型优于简单基线？
KEY POINTS
这条内容的重点
进阶
- 构造滞后、滚动统计、差分和时间编码特征，并说明它们与自回归思想的关系。
- 按时间顺序划分训练与测试数据，比较 Ridge 与昨值重复基线。
- 实现 Expanding Window 验证，并识别常见的时间泄漏风险。
WORKFLOW
内容流程
构造监督学习特征
从序列生成滞后项、滚动均值/标准差、一阶差分和必要的时间编码。
本步产物 特征矩阵与样本对齐说明。
建立基线对照
按时间顺序留出末段数据，训练 Ridge 并与昨值重复预测比较 MAE。
本步产物 两种方法的预测曲线和误差对照。
执行扩展窗口验证
逐折扩大训练窗口，保证每折测试时段都晚于训练时段。
本步产物 各折误差与总体时序交叉验证结果。
审查泄漏
检查滚动统计、标准化、切分和外生变量是否使用预测时点之后的信息。
本步产物 泄漏风险清单及防范做法。
METHODS
相关方法
- 滞后与滚动特征
- 时间编码
- Ridge 回归
- 朴素基线
- Expanding Window
DELIVERABLES
可获得的内容
- 特征构造说明
- Ridge/基线误差对照
- 时序交叉验证与泄漏审查表
LIMITATIONS
适用范围与注意事项
- 特征和标准化参数只能从训练时段估计；滚动特征须遵守可用信息边界。
- 合成数据上的优势不能直接外推到其他数据集。
- 对应的实训方案、课件和 Notebook 已登记在项目资源清单中；公开再分发许可待核验，当前页面不提供原件下载。
MATERIALS
相关资料与下载
只展示已核准公开的资料。
当前没有已批准公开的资料。待核验或私有文件不会显示。