Posso embaralhar uma série antes de dividir treino e teste?
Em geral não. Isso pode levar informação futura ao treinamento e invalidar a avaliação.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Time Series Forecasting · Forecasting temporal
Previsão de séries temporais é a estimativa de valores futuros a partir de observações ordenadas no tempo e de variáveis explicativas disponíveis.
A série pode conter tendência, sazonalidade, ciclos, eventos e ruído. O horizonte e a frequência determinam que padrões são úteis.
Uma boa previsão inclui incerteza e comparação com baselines, não apenas um valor pontual.
Os dados são divididos respeitando a ordem temporal. Modelos estatísticos ou de Machine Learning aprendem relações entre defasagens, calendário e variáveis externas.
A validação avança no tempo para simular uso real. Métricas são avaliadas por horizonte, segmento e custo do erro.
Um escritório estima carga de trabalho por semana usando histórico de fases e contratos, exibindo intervalos e revisando eventos que não existiam no passado.
Mudanças estruturais, eventos raros e pouca história reduzem confiabilidade. Vazamento temporal torna resultados artificiais.
Intervalos dependem das hipóteses do modelo e não cobrem automaticamente riscos não observados.
Regressão, Machine Learning, Data leakage, Conjunto de validação, Evals, Data drift
Em geral não. Isso pode levar informação futura ao treinamento e invalidar a avaliação.
Para decisão, expressar incerteza costuma ser essencial; a forma do intervalo depende do método e das premissas.
Revisado em 2026-10-18.