AI-ordlista
Den kompletta ordlistan över AI
Validation Temporelle
Méthodologie d'évaluation de modèles ML où les données d'entraînement précèdent chronologiquement les données de test pour simuler des conditions de prédiction réelles.
Train-Test Split Temporel
Division chronologique des données où l'ensemble d'entraînement comprend des périodes antérieures et l'ensemble de test des périodes postérieures sans chevauchement temporel.
Rolling Window Validation
Approche utilisant une fenêtre de taille fixe qui glisse dans le temps pour l'entraînement, maintenant une quantité constante de données tout en avançant temporellement.
Expanding Window Validation
Méthode où la fenêtre d'entraînement s'agrandit progressivement en incluant toutes les données historiques disponibles jusqu'à chaque point de validation.
Temporal Leakage
Contamination accidentelle des données de test par des informations futures, violant l'intégrité temporelle et biaisant artificiellement les performances du modèle.
Purge Method
Technique d'élimination des périodes de transition entre entraînement et test pour éviter la contamination par des corrélations temporelles à court terme.
Embargo Period
Intervalle temporel délibérément exclu entre les ensembles d'entraînement et de test pour prévenir les fuites d'information et garantir l'indépendance des observations.
Temporal Holdout
Réserve d'une période temporelle spécifique non utilisée pendant l'entraînement pour validation finale, simulant des conditions de déploiement réelles.
Sequential Validation
Approche de validation où les observations sont évaluées dans leur ordre chronologique naturel, respectant la dépendance temporelle inhérente aux données.
Temporal Augmentation
Technique d'augmentation des données temporelles créant de nouvelles séquences valides chronologiquement pour améliorer la robustesse du modèle.