如果在train_test_split中将shuffle设置为False，TimeSeriesSplit是否有必要

Question

目前，我正在对时间序列使用回归模型。为了分配训练和测试数据，我通常使用来自sklearn的train_testrongplit，它看起来像这样：

X_Train, X_Test, Y_Train, Y_Test = train_test_split(X.to_numpy(), Y.to_numpy(), test_size=.30, shuffle=False)

这样，每个变量都会被分配一个带有相关数据的数组。但是，由于它是时间序列数据，我希望训练集只使用测试值之前的值。我假设将shuffle设置为False就是这样做的，当我只看变量时就会出现这种情况，但如果是这样的话，肯定不会创建TimeSeriesSplit模型，对吧？

当我尝试实现这一点时，TimeSeriesSplit的文档对于初学者来说是非常令人困惑的。它似乎只接受了一个模糊定义的"；n分割"；参数，但它没有任何其他说明如何简单地分配xtrain、xtest、ytrain和ytest。那么这有必要吗？它是否通过将shuffle设置为False来执行未执行的操作？

即使在耗尽所有资源后，我也能得到的最远的结果是：
time_series_split = TimeSeriesSplit()

数据集的结构如下：

-5<10><1>

	日期	本月值	下个月的回报
01/22	30
22/22	10	5
22年3月	50
22年4月	5

使用TimeSeriesSplit()通常意味着交叉验证。如果您只需要分离测试集，那么train_test_split(shuffle=False)就足够了。然而，如果您碰巧需要几个子集而不会出现未来的数据泄露，TimeSeriesSplit()可以简化很多事情，即：

time_series_split = TimeSeriesSplit(n_splits=4)
gs = GridSearchCV(cv=time_series_split, ... # add parameters as needed)
gs.fit(X_train, y_train)