基于sklearn TimeSeriesSplit的时间序列交叉验证数据格式疑问

嘿，我来给你把这个问题掰明白～

首先：为什么示例里的X是二维数组？ #

这是因为scikit-learn的所有建模工具（包括交叉验证组件）都要求特征数据必须是二维结构：

• 哪怕你的时间序列只有1个特征（比如单变量时序），也得把它转换成(样本数, 特征数)的二维数组，而不是一维的(样本数,)数组。
• 示例里的X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])是4个时间步的样本，每个样本有2个特征，完全符合sklearn的输入规范。如果你的数据是单变量的，比如X = np.array([1,3,1,3])，那得转成X = X.reshape(-1, 1)才能用哦。

然后：实现你要的「前n-1个训练、第n个测试」的时序拆分 #

你想要的是滚动式单步预测拆分——每次用之前所有的历史数据训练，预测下一个时间步，而且严格保持时序不打乱。用TimeSeriesSplit完全可以实现，关键是调整参数：

代码示例 #

from sklearn.model_selection import TimeSeriesSplit
import numpy as np

# 假设我们有5个时间步的样本（单变量特征，先转成二维）
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([10, 20, 30, 40, 50])  # 对应的标签，一维数组即可

# 配置TimeSeriesSplit：n_splits设为样本数-1，test_size=1（每次测试1个样本）
tscv = TimeSeriesSplit(n_splits=len(X)-1, test_size=1)

# 遍历每折拆分，打印训练/测试集的索引
for fold_idx, (train_idx, test_idx) in enumerate(tscv.split(X)):
    print(f"第{fold_idx+1}折：")
    print(f"  训练集索引：{train_idx}，对应数据：X={X[train_idx].flatten()}, y={y[train_idx]}")
    print(f"  测试集索引：{test_idx}，对应数据：X={X[test_idx].flatten()}, y={y[test_idx]}")
    print("---")

输出结果解释 #

运行后你会看到：

第1折：
  训练集索引：[0]，对应数据：X=[1], y=[10]
  测试集索引：[1]，对应数据：X=[2], y=[20]
---
第2折：
  训练集索引：[0 1]，对应数据：X=[1 2], y=[10 20]
  测试集索引：[2]，对应数据：X=[3], y=[30]
---
第3折：
  训练集索引：[0 1 2]，对应数据：X=[1 2 3], y=[10 20 30]
  测试集索引：[3]，对应数据：X=[4], y=[40]
---
第4折：
  训练集索引：[0 1 2 3]，对应数据：X=[1 2 3 4], y=[10 20 30 40]
  测试集索引：[4]，对应数据：X=[5], y=[50]
---

完全符合你要的「前n-1个训练，第n个测试」的时序要求，而且全程没有打乱时间顺序。

关键参数说明 #

• n_splits=len(X)-1：因为我们要对每个后续的样本做一次预测，所以拆分次数等于样本数减1。
• test_size=1：指定每次测试集只取1个样本（也就是当前要预测的下一个时间步）。
• 如果你想限制训练集的最大长度（比如只用最近的k个样本训练，而不是所有历史），可以加max_train_size=k参数，比如max_train_size=3，那第4折的训练集就会是[2,3,4]而不是所有前面的样本。

内容的提问来源于stack exchange，提问作者TestGuest