关于在cross_val_score中使用TimeSeriesSplit时CV参数传递正确性的问询

1. 当前CV参数传递方式不正确 #

你现在用cv=time_split.split(scaled_train)的写法是错误的，cross_val_score的cv参数直接传入TimeSeriesSplit对象即可，它会自动调用拆分器的split方法处理输入的特征数据，不需要手动生成拆分索引。

2. 拆分对象的选择：既不能用input_data，也不该直接用scaled_train #

• 绝对不能用split(input_data)：你已经将数据拆分为训练集和测试集，交叉验证只能在训练集内部执行，触碰测试集属于数据泄露，会导致模型评估结果失真。
• 不能直接用scaled_train：你当前的写法是先对整个训练集做归一化，再进行交叉验证，这会让每个验证折的缩放用到了整个训练集的统计量（均值、方差），属于提前泄露了验证集的信息，评估结果不准确。

3. 正确做法：用Pipeline封装预处理+模型，避免数据泄露 #

时间序列交叉验证的核心是每个折内独立完成预处理，用Pipeline把缩放操作和模型绑定，让每个交叉验证折都单独拟合scaler，再训练模型。

修正后的代码如下：

from sklearn.pipeline import Pipeline

def fit_model1(data: pd.DataFrame):
    df = data
    scores_fit_model1 = []
    for sizes in test_sizes:
        # 划分训练/测试集（shuffle=False保证时间序列顺序不被打乱）
        input_data = df.drop('next_count', axis=1)
        output_data = df[['next_count']]
        X_train, X_test, y_train, y_test = train_test_split(input_data, output_data, test_size=sizes, random_state=0, shuffle=False)
        
        # 构建管道：先执行归一化，再训练线性回归模型
        pipeline = Pipeline([
            ('scaler', MinMaxScaler()),
            ('lr', LinearRegression())
        ])
        
        # 初始化时间序列拆分器
        time_split = TimeSeriesSplit(n_splits=10)
        
        # 交叉验证：直接传入管道、原始训练集特征和标签，cv参数传入拆分器对象
        r2_scores = cross_val_score(pipeline, X_train, y_train.values.ravel(), cv=time_split, scoring='r2', n_jobs=1)
        scores_fit_model1.append(r2_scores.mean())
        
        # 可选：用整个训练集拟合管道，对测试集进行预测
        pipeline.fit(X_train, y_train.values.ravel())
        predictions = pipeline.predict(X_test)
        
    return scores_fit_model1

关键说明 #

• Pipeline解决了数据泄露问题：每个交叉验证折都会单独拟合scaler，仅用当前训练折的数据计算缩放统计量，完全符合时间序列的时序要求。
• 直接传TimeSeriesSplit对象给cv：cross_val_score会自动遍历拆分器生成的训练/验证索引对，不需要手动调用split方法。
• 用原始X_train而非缩放后的数据：因为缩放操作已封装到管道中，传入原始数据才能保证每个折的预处理独立执行。

内容的提问来源于stack exchange，提问作者user14738548