Séries temporelles
Progression
#Séries temporelles
Les données séquentielles demandent des précautions particulières. On découpe l’entraînement et le test dans l’ordre du temps pour éviter les fuites. Les transformations respectent la causalité: on calcule les agrégats et moyennes mobiles uniquement avec le passé disponible.
La stationnarité simplifie la modélisation; à défaut, on différencie ou on utilise des méthodes qui tolèrent les tendances. Les métriques reflètent les coûts métier: MAPE pour les pourcentages, quantile loss pour les prévisions de capacité. Les modèles vont des régressions avec features calendaires aux approches séquentielles plus riches.
#Pas‑à‑pas: éviter la fuite de futur
Split temporel
Train avant, test après
Features
Exogènes, lags, moyennes mobiles
Rolling
Recalibrer/évaluer en fenêtre glissante
Métriques
MAPE/Quantile loss adaptées
#Playground: base naïve et lags sans fuite
Chargement de l’éditeur...