Glosario IA
El diccionario completo de la Inteligencia Artificial
Encadenamiento Hacia Adelante
Técnica de validación donde cada conjunto de entrenamiento incluye todas las observaciones anteriores y el conjunto de prueba contiene los datos futuros inmediatos. Simula la predicción en tiempo real utilizando únicamente la información disponible hasta cada punto temporal.
Validación Cruzada de Ventana Móvil
Método que utiliza una ventana de tamaño fijo que se desliza en el tiempo para crear diferentes conjuntos de entrenamiento y prueba. Mantiene un tamaño de muestra constante mientras preserva la estructura temporal de los datos.
Validación de Avance Progresivo
Enfoque de validación iterativo donde el modelo se entrena con datos históricos y luego se prueba en el período siguiente antes de avanzar en el tiempo. Reproduce fielmente las condiciones reales de implementación de modelos predictivos.
Validación Cruzada de Ventana Expansiva
Técnica donde la ventana de entrenamiento se expande progresivamente para incluir todos los datos históricos disponibles. Particularmente adaptada cuando la cantidad de datos aumenta y todas las observaciones pasadas permanecen relevantes.
División de Series Temporales
Estrategia de división de datos en conjuntos de entrenamiento y prueba respetando estrictamente la secuencia temporal. Implementada en scikit-learn como TimeSeriesSplit para evaluar modelos de series temporales sin fuga de información.
Validación Cruzada Anidada Temporal
Doble validación cruzada donde la validación externa evalúa el rendimiento del modelo mientras que la validación interna optimiza los hiperparámetros. Evita el sobreajuste mientras respeta la restricción temporal en todos los niveles.
Validación Cruzada Bloqueada
Método que introduce bloques de separación entre los conjuntos de entrenamiento y prueba para reducir la correlación temporal. Impide la contaminación de datos cercanos en el tiempo que podría sesgar la evaluación del rendimiento.
Validación Cruzada con Desplazamiento Temporal
Enfoque que inserta un período de tiempo entre los conjuntos de entrenamiento y prueba para simular un retraso de predicción realista. Particularmente útil cuando las decisiones basadas en las predicciones requieren cierto tiempo de ejecución.
Validación Cruzada Jerárquica Temporal
Extensión de la validación cruzada temporal a datos con estructura jerárquica como series temporales multinivel. Respeta simultáneamente las restricciones temporales y las dependencias jerárquicas entre los datos.
Validación Cruzada por Serie Temporal Múltiple
Técnica adaptada a conjuntos que contienen múltiples series temporales independientes pero que comparten características similares. Permite generalizar a través de diferentes series preservando el orden temporal en cada una.
Validación Cruzada por Purga
Método que elimina observaciones cercanas temporalmente de los conjuntos de entrenamiento y prueba para reducir la dependencia. Esencial en finanzas donde la autocorrelación y la microestructura de mercados pueden contaminar los resultados.
Validación Cruzada con Embargo
Variante de la validación cruzada por purga que extiende el período de exclusión después de cada punto de prueba. Crea una zona tampón temporal garantizando la independencia completa entre las fases de entrenamiento y prueba.
Validación Cruzada Adaptativa Temporal
Enfoque dinámico que ajusta el tamaño de las ventanas de entrenamiento y prueba según las características de los datos o el rendimiento del modelo. Optimiza el uso de los datos disponibles mientras se adapta a los cambios temporales.
Validación Cruzada por Ventanas Deslizantes
Implementación específica de ventana deslizante donde la ventana se mueve un paso fijo en cada iteración. Permite un control preciso del solapamiento entre los conjuntos sucesivos de entrenamiento y prueba.
Validación Cruzada por Muestreo Temporal
Método que muestrea periódicamente los puntos de prueba en el tiempo en lugar de usar bloques continuos. Reduce el costo computacional manteniendo una representación equitativa de diferentes períodos temporales.