如何正确拆分时间序列数据用于sklearn分类？以BTC价格预测为例

你处理的是强时间依赖的BTC价格序列数据，两类拆分结果差异的本质是数据泄露：

• 开启shuffle的随机拆分：会打乱所有样本的时间顺序，将大量未来时段的样本混入训练集，模型训练时就已经获取了测试集时段的价格规律，相当于作弊，得到的74%准确率是完全虚假的性能，和真实部署场景的要求完全不符。
• 关闭shuffle的顺序拆分：完全按照时间先后切割，前70%的历史数据用于训练，后30%的未来数据用于测试，符合实际预测时“只能用历史数据推断未来”的逻辑，此时49%接近随机猜测的结果才是模型的真实泛化能力，也符合加密货币价格预测的高难度特性。

必须禁用随机拆分，该方案得到的高性能是数据泄露带来的假象，没有任何落地参考价值。所有评估必须保证测试集的时间戳完全晚于训练集的时间戳，不能出现任何未来数据倒流到训练阶段的情况。

相比单次按时间切割，更推荐使用滚动向前验证（Walk Forward Validation），评估结果更稳定，也更贴合实盘滚动训练的逻辑：

• 可以直接调用sklearn内置的TimeSeriesSplit工具实现，示例代码如下：

from sklearn.model_selection import TimeSeriesSplit
# n_splits为验证的折数
tscv = TimeSeriesSplit(n_splits=5)
for train_index, test_index in tscv.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    # 完成单轮训练、评估逻辑

• 额外注意规避其他数据泄露风险：特征工程阶段仅能使用当前时刻及之前的历史数据构造特征，禁止引入未来时刻的任何指标；做标准化、归一化等预处理时，仅能使用训练集的统计值处理测试集，不能使用全数据集的统计值。
• 数据量充足的场景下可以使用固定窗口滚动验证：每次取固定长度的历史数据作为训练集，后续固定长度的新数据作为测试集，验证完成后将训练、测试窗口同步向前滑动，取多轮验证的平均准确率作为模型最终性能指标。

内容的提问来源于stack exchange，提问作者AlgoQ