برای پیش‌بینی آینده، داده آموزش باید از نظر زمانِ در دسترس‌بودن اطلاعات با لحظه پیش‌بینی سازگار باشد. تقسیم تصادفی همیشه این شرط را حفظ نمی‌کند.
مسئله را درست تعریف کنیم
ستونی که امروز در پایگاه داده وجود دارد ممکن است هنگام تصمیم گذشته در دسترس نبوده باشد. استفاده از آن در ارزیابی، آگاهی از آینده را وارد مدل می‌کند.
روش اجرا
- برای هر ویژگی زمان در دسترس‌بودن ثبت کنید.
- مرز آموزش، اعتبارسنجی و آزمون را به ترتیب زمان تعیین کنید.
- پردازش‌های آماری را فقط از داده آموزش یاد بگیرید.
نمونه آموزشی
در مثال آموزشی، هدف پیش‌بینی تأخیر سفارش هنگام ثبت آن است. تاریخ تحویل نهایی در جدول امروز وجود دارد، اما در لحظه ثبت معلوم نبوده است. واردکردن آن نتیجه زیبا و بی‌مصرف می‌سازد؛ ویژگی باید از ارزیابی آن تصمیم حذف شود.
آزمون تکمیلی برای تصمیم عملی
در یک تمرین پیش‌بینی تأخیر، برای هر ستون علاوه بر زمان رخداد، زمان ثبت و زمان قابل خواندن‌شدن را بنویسید. ممکن است اطلاعاتی بعداً با تاریخ گذشته در جدول وارد شده باشد؛ مرتب‌کردن صرف ردیف‌ها بر اساس تاریخ سفارش این مسئله را حل نمی‌کند. از صاحب فرایند بپرسید در لحظه تصمیم چه اطلاعاتی واقعاً وجود داشته است. ستون نهایی وضعیت یا نتیجه رسیدگی را فقط به‌دلیل موجودبودن در استخراج امروز، ویژگی ورودی آن تصمیم نکنید.
همین کنترل را برای پردازش‌های آماری هم انجام دهید. اگر میانگین یا قاعده جایگزینی داده ناقص از کل دوره محاسبه شده باشد، جداسازی زمان ردیف‌ها به‌تنهایی کافی نیست. روش آماده‌سازی باید داخل بخش آموزش یاد گرفته و بدون نگاه‌کردن به نتیجه آزمون اعمال شود. در گزارش، مرز زمانی، منبع هر ویژگی و دلیل حذف مورد مشکوک را نگه دارید. این بازبینی به آشکارشدن نشتی کمک می‌کند؛ صرف خوب‌شدن عدد آزمون یا استفاده از تقسیم زمانی، نبود همه شکل‌های نشتی را اثبات نمی‌کند.
جدول کار برای همین موضوع
| فیلد ثبت | کاربرد در تصمیم |
|---|---|
| ویژگی | تاریخ تحویل نهایی |
| زمان رخداد | زمان تحویل پس از ثبت سفارش رخ می‌دهد |
| زمان دسترس‌پذیری | ویژگی چه زمانی واقعاً قابل خواندن بوده؟ |
| لحظه تصمیم | لحظه ثبت سفارش، پیش از تحویل |
| مجاز برای آموزش | ویژگی پس از تصمیم وارد این مدل نشود |
| دلیل حذف | تاریخ موجود در جدول امروز، شاهد دسترسی گذشته نیست |
فایل قابل استفاده
دریافت فرم CSV این راهنما. هر سطر را با اطلاعات پروژه خود تکمیل کنید. خانه نامعلوم را نامشخص بگذارید؛ نبود شاهد را با عدد صفر یا تأیید جایگزین نکنید. فایل شامل اطلاعات مشتری واقعی نیست و برای ثبت بررسی به کار می‌رود.
محدودیت و تصمیم بعدی
تقسیم زمانی همه نشت‌ها را حل نمی‌کند؛ شناسه مشتری مشترک، بازنگری برچسب و پنجره رخداد هم باید کنترل شوند.
منبع فنی برای مطالعه بیشتر
scikit-learn: common_pitfalls. مثال‌ها و فرم این مطلب برای آموزش طراحی شده‌اند و نتیجه مشتری یا آزمون محصول نیستند.
ادامه مطالعه مرتبط
برای نوع دیگر نشت، یعنی وابستگی نمونه‌های توسعه و آزمون، آزمون تحلیل تماس لو رفته؟ تماس‌های مشابه را جدا نگه داریم را ببینید.