ウォークフォワード検証では、学習期間を少しずつ進めながら予測を繰り返し、時点ごとの誤差や傾向を比較します。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
rng = np.random.default_rng(4)
dates = pd.date_range("2021-01-01", periods=300, freq="D")
trend = 0.1 * np.arange(len(dates))
seasonal = 6 * np.sin(2 * np.pi * np.arange(len(dates)) / 30)
noise = rng.normal(0, 1.8, size=len(dates))
series = pd.Series(120 + trend + seasonal + noise, index=dates)
window = 90
horizon = 7
step = 21
fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(series.index, series, color="#1d4ed8", linewidth=1.2, label="実測値")
for origin in range(window, len(series) - horizon, step):
train = series.iloc[origin - window : origin]
forecast_dates = series.index[origin : origin + horizon]
naive_forecast = np.full(horizon, train.iloc[-1])
ax.plot(
forecast_dates,
naive_forecast,
color="#f97316",
linewidth=1.2,
alpha=0.7,
)
ax.scatter(
forecast_dates[-1],
naive_forecast[-1],
color="#f97316",
s=24,
)
ax.set_title("ウォークフォワード検証のイメージ")
ax.set_xlabel("日付")
ax.set_ylabel("数値")
ax.legend(loc="upper left")
ax.grid(alpha=0.3)
fig.tight_layout()
fig.savefig("static/images/timeseries/rolling_forecast.svg")
読み方のポイント #
- 学習窓を固定したまま起点だけを進めると、最新情報を反映した状態での性能変化を確認できる。
- 水平線が多いのはナイーブ予測を使っているためであり、モデルを差し替えれば線の形が変わる。
- ウォークフォワードを可視化すると「どの時点で予測が外れやすかったか」を具体的に議論できる。