Po przeczytaniu jednej z „Porad badawczych” RJ Hyndmana na temat walidacji krzyżowej i szeregów czasowych wróciłem do mojego starego pytania, które spróbuję tutaj sformułować. Chodzi o to, że w problemach z klasyfikacją lub regresją kolejność danych nie jest ważna, a zatem można zastosować k- krotną walidację krzyżową. Z drugiej strony, w szeregach czasowych, porządkowanie danych ma oczywiście ogromne znaczenie.
Jednak, gdy przy użyciu maszyny do uczenia modelu do prognozowania szeregów czasowych, wspólna strategia jest do przekształcenia serii do zestawu „wektorów wejściowych i wyjściowych”, które przez czas mają postać .
Czy po tym przekształceniu możemy uznać, że wynikowy zestaw „wektorów wejściowych i wyjściowych” nie musi być uporządkowany? Jeśli użyjemy, na przykład, sieci neuronowej typu feed-forward z n wejściami do „uczenia się” tych danych, uzyskalibyśmy te same wyniki bez względu na kolejność, w jakiej pokazujemy wektory do modelu. A zatem, czy moglibyśmy zastosować k-krotną weryfikację krzyżową w standardowy sposób, bez konieczności ponownego dopasowywania modelu za każdym razem?