如何避免 KNN 模型中的时间泄漏？

Question

我正在构建一个 KNN 模型来预测房价。我将检查我的数据和我的模型，然后是我的问题。

数据 -

# A tibble: 81,334 x 4
   latitude longitude close_date          close_price
      <dbl>     <dbl> <dttm>                    <dbl>
 1     36.4     -98.7 2014-08-05 06:34:00     147504.
 2     36.6     -97.9 2014-08-12 23:48:00     137401.
 3     36.6     -97.9 2014-08-09 04:00:40     239105.

模型 -

library(caret)
training.samples <- data$close_price %>%
  createDataPartition(p = 0.8, list = FALSE)
train.data  <- data[training.samples, ]
test.data <- data[-training.samples, ]

model <- train(
  close_price~ ., data = train.data, method = "knn",
  trControl = trainControl("cv", number = 10),
  preProcess = c("center", "scale"),
  tuneLength = 10
)

我的问题是时间泄漏。我正在使用后来关闭的其他房屋对房屋进行预测，而在现实世界中，我不应该访问该信息。

我想对模型应用一条规则，即对于每个值y，只使用在房子之前关闭的房子y。我知道我可以在某个日期拆分我的测试数据和我的火车数据，但这并不能完全做到。

是否可以在caretknn 的库中或其他库（如class和kknn）中防止此时间泄漏？

Answer 1

在 中caret，createTimeSlices实现了适应时间序列的交叉验证的变体（通过滚动预测原点来避免时间泄漏）。文档在这里。

在您的情况下，根据您的具体需求，您可以使用类似的方法进行适当的交叉验证：

your_data <- your_data %>% arrange(close_date)

tr_ctrl <- createTimeSlices(
  your_data$close_price, 
  initialWindow  = 10, 
  horizon = 1,
  fixedWindow = FALSE)

model <- train(
  close_price~ ., data = your_data, method = "knn",
  trControl = tr_ctrl,
  preProcess = c("center", "scale"),
  tuneLength = 10
)

编辑：如果您在日期上有联系并且希望在测试和训练集中在同一天完成交易，您可以在tr_ctrl使用它之前修复train：

filter_train <- function(i_tr, i_te) {
  d_tr <- as_date(your_data$close_date[i_tr]) #using package lubridate
  d_te <- as_date(your_data$close_date[i_te])
  tr_is_ok <- d_tr < min(d_te)

  i_tr[tr_is_ok]
}

tr_ctrl$train <- mapply(filter_train, tr_ctrl$train, tr_ctrl$test)