我们有一些数据集：
从1月到6月，每天销售100种产品
我们的目标是预测7月份的每日销售额。
那么如何将数据集拆分为训练集、验证集
时间序列是不应随机拆分的典型情况（通常，当存在显著的示例相关性时，不应随机进行拆分）。
通常销售不是一个严格的动态时间序列（如股票价格），但使用train_test_split可能会有问题。
您可以在不使用sklearn的情况下获得所需的交叉验证拆分（例如，sklearn：时间序列数据的用户定义交叉验证、时间序列上的Python交叉验证…）
70-80%的训练是标准的。假设示例分布均匀，则可以将1月至4/5月的数据用于训练集，并将其余记录用于验证。
目前，据我所知，sklearn不支持对时间相关问题进行严格的交叉验证。所有开箱即用的交叉验证例程都将构建训练折叠，其中包括与测试折叠相关的未来信息（例如[WIP]RollingWindow交叉验证#3638）。
此外，您应该考虑您的数据是季节性的还是有其他明显的分组划分（例如地理区域）。