<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>кросс-валидация &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/kross-validacziya/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 27 Nov 2025 06:28:10 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>кросс-валидация &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Продвинутые способы кросс-валидации, разделения выборок рядов: Expanding Window Splitter, Blocked Time Series Split и другие</title>
		<link>https://mlgu.ru/6167/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 11 Nov 2025 15:54:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6167</guid>

					<description><![CDATA[Традиционно в задачах прогнозирования для разделения выборок временных рядов используется метод TimeSeriesSplit из библиотеки scikit-learn. Этот подход гарантирует сохранение хронологической последовательности: обучающая выборка всегда предшествует тестовой, исключая утечку информации из будущего. TimeSeriesSplit создает несколько последовательных сплитов с постепенно расширяющимся окном обучения, что позволяет надежно оценить обобщающую способность модели на будущих данных и является стандартом в большинстве [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Чем отличается финансовый ML от других видов машинного обучения</title>
		<link>https://mlgu.ru/5131/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 09 Oct 2025 15:58:55 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[stacking]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[торговые алгоритмы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5131</guid>

					<description><![CDATA[Машинное обучение в финансах работает с данными, которые принципиально отличаются от изображений, текстов или табличных данных из других отраслей. Финансовые временные ряды нестационарны, зашумлены и подвержены частым структурным изменениям. Эти особенности требуют специфических подходов к моделированию, валидации и оценке качества. Сегодня стало модно подавать любые данные в трансформеры, большие языковые модели. Однако этот подход, как [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование вероятности дефолта через логистическую регрессию</title>
		<link>https://mlgu.ru/4829/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 28 Sep 2025 20:50:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4829</guid>

					<description><![CDATA[Прогнозирование вероятности дефолта — одна из ключевых задач в управлении кредитными рисками, которая помогает банкам, инвестиционным компаниям и бизнесу принимать более взвешенные решения. Существует множество инструментов для таких прогнозов, хотя логистическая регрессия &#8212; пожалуй, наиболее популярный. Она позволяет на основе набора факторов (например, дохода клиента, кредитной истории, уровня долговой нагрузки) оценить вероятность того, что заемщик [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Walk-Forward анализ на практике. Правильное тестирование стратегий на временных рядах</title>
		<link>https://mlgu.ru/2962/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 27 Jun 2025 12:38:57 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2962</guid>

					<description><![CDATA[Walk-Forward анализ представляет собой методологию тестирования, которая моделирует реальные условия торговли, где мы постоянно получаем новые данные и должны адаптировать наши модели. Этот подход особенно важен в контексте финансовых рынков, где временная структура данных имеет критическое значение, а традиционные методы кросс-валидации могут давать обманчиво оптимистичные результаты. Фундаментальные проблемы традиционного тестирования Проблема временной зависимости в финансовых [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Лаговые переменные и их правильное использование. Избегаем data leakage в финансовых моделях</title>
		<link>https://mlgu.ru/2812/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 14 Jun 2025 10:15:58 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2812</guid>

					<description><![CDATA[В трейдинге и количественном анализе существует ряд ошибок, которые могут полностью уничтожить потенциальную прибыльность модели. Одна из таких — неправильное использование лаговых переменных, она приводит к утечке данных (data leakage). Эта проблема особенно критична в финансовых моделях, где требуется быстрая реакция на изменения рынка. В отличие от многих других областей машинного обучения, где порядок наблюдений [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
