{"id":465458,"date":"2025-07-01T15:16:29","date_gmt":"2025-07-01T15:16:29","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=465458"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=465458","title":{"rendered":"<span>\u0427\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 shuffle=True \u0438 \u043a\u0430\u043a \u043d\u0435 \u0441\u043b\u043e\u043c\u0430\u0442\u044c \u043f\u043e\u0440\u044f\u0434\u043e\u043a<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p> \u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u0421\u0435\u0433\u043e\u0434\u043d\u044f \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0435\u0432\u0438\u043d\u043d\u044b\u0439 \u043d\u0430 \u043f\u0435\u0440\u0432\u044b\u0439 \u0432\u0437\u0433\u043b\u044f\u0434 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <code>shuffle=True<\/code> \u0432 <code>train_test_split<\/code>.<\/p>\n<p>\u041f\u043e\u0434 \u00ab\u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0442\u044c\u00bb \u043f\u043e\u0434\u0440\u0430\u0437\u0443\u043c\u0435\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043f\u0441\u0435\u0432\u0434\u043e-\u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u043c\u0443\u0442\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u0430 (\u043e\u0431\u044b\u0447\u043d\u043e Fisher\u2013Yates) \u043a \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u043c \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0434\u043e \u0442\u043e\u0433\u043e, \u043a\u0430\u043a \u043c\u044b \u0440\u0435\u0436\u0435\u043c \u0435\u0451 \u043d\u0430 train\/test. \u0426\u0435\u043b\u044c \u2014 \u0437\u0430\u0441\u0442\u0430\u0432\u0438\u0442\u044c train-\u0438-test \u0431\u044b\u0442\u044c \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u043c\u0438 \u0438 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u043e \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u044b\u043c\u0438 (i.i.d.). \u0412 scikit-learn \u044d\u0442\u0430 \u043b\u043e\u0433\u0438\u043a\u0430 \u0437\u0430\u0448\u0438\u0442\u0430 \u0432 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <code><strong>shuffle<\/strong><\/code> \u043f\u043e\u0447\u0442\u0438 \u0432\u0441\u0435\u0445 \u0441\u043f\u043b\u0438\u0442\u0442\u0435\u0440\u043e\u0432. \u0412 <code>train_test_split<\/code> \u043e\u043d <code>True<\/code> \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e, \u0447\u0442\u043e \u043f\u0440\u044f\u043c\u043e \u0441\u043a\u0430\u0437\u0430\u043d\u043e \u0432 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u2014 \u00ab<code>shuffle bool, default=True<\/code>\u00bb.<\/p>\n<h3>train_test_split<\/h3>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  X_train, X_test, y_train, y_test = train_test_split(     features,     target,     test_size=0.2,     random_state=42,  # \u043d\u0430\u0434\u043e \u0434\u043b\u044f \u0440\u0435\u043f\u043b\u0438\u043a\u0430\u0431\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438     shuffle=True      # \u0441\u043c\u0435\u043b\u043e \u0442\u0430\u0441\u0443\u0435\u043c ) <\/code><\/pre>\n<p>\u041a\u043e\u0433\u0434\u0430 <code>shuffle=True<\/code>, \u0444\u0443\u043d\u043a\u0446\u0438\u044f:<\/p>\n<ol>\n<li>\n<p>\u0413\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u0443\u044e \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0443 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u0432 (\u0443\u0447\u0438\u0442\u044b\u0432\u0430\u044f <code>random_state<\/code>).<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e \u043d\u0435\u0439 \u0434\u0435\u043b\u0438\u0442 \u0434\u0430\u043d\u043d\u044b\u0435.<\/p>\n<\/li>\n<\/ol>\n<p>\u0415\u0441\u043b\u0438 \u043f\u0440\u0438\u0441\u0432\u043e\u0438\u0442\u044c <code>shuffle=False<\/code>, \u043e\u043d\u0430 \u043f\u0440\u043e\u0441\u0442\u043e \u0431\u0435\u0440\u0435\u0442 \u201c\u0441 \u0433\u043e\u043b\u043e\u0432\u044b\u201d <code>train_size<\/code> \u0441\u0442\u0440\u043e\u043a, \u0430 \u201c\u0445\u0432\u043e\u0441\u0442\u201d \u2014 test. \u0420\u0430\u0441\u043a\u043b\u0430\u0434 \u043e\u0447\u0435\u0432\u0438\u0434\u0435\u043d \u0438\u0437 \u0438\u0441\u0445\u043e\u0434\u043d\u0438\u043a\u043e\u0432 \u0438 \u043f\u043e\u0434\u0442\u0432\u0435\u0440\u0436\u0434\u0451\u043d \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u043c \u0434\u043e\u043a\u0435.<\/p>\n<h3>\u041a\u043e\u0433\u0434\u0430 shuffle=False \u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u0435<\/h3>\n<h4>\u0412\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u0440\u044f\u0434\u044b<\/h4>\n<p>Time-series \u2014 \u043a\u043b\u0430\u0441\u0441\u0438\u043a\u0430, \u0433\u0434\u0435 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u2014 \u0437\u0430\u043a\u043e\u043d. \u0415\u0441\u043b\u0438 \u043c\u044b \u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0435\u043c, \u0442\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0432\u0438\u0434\u0438\u0442 \u0431\u0443\u0434\u0443\u0449\u0435\u0435 \u0440\u0430\u043d\u044c\u0448\u0435 \u043f\u0440\u043e\u0448\u043b\u043e\u0433\u043e \u0438 \u0441\u0442\u0430\u043d\u0435\u0442 \u0433\u0430\u0434\u0430\u043b\u043a\u043e\u0439. \u0421 \u0442\u043e\u0447\u043a\u0438 \u0437\u0440\u0435\u043d\u0438\u044f \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u044d\u0442\u043e \u201clook-ahead bias\u201d. \u041d\u0430 \u0442\u043e\u043c \u0436\u0435 Cross-Validated \u043f\u0440\u044f\u043c\u044b\u043c \u0442\u0435\u043a\u0441\u0442\u043e\u043c: \u0432 time-series \u043d\u0443\u0436\u043d\u043e \u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0445\u0440\u043e\u043d\u043e\u043b\u043e\u0433\u0438\u044e \u0438 \u044e\u0437\u0430\u0442\u044c <code>TimeSeriesSplit<\/code>.<\/p>\n<h4>\u0417\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u0433\u0440\u0443\u043f\u043f<\/h4>\n<p>\u041a\u043b\u0438\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435, \u0433\u0434\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0438\u0441\u0435\u0439 \u043d\u0430 \u043e\u0434\u043d\u043e\u0433\u043e \u043f\u0430\u0446\u0438\u0435\u043d\u0442\u0430; \u043b\u043e\u0433\u0438 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0433\u0434\u0435 \u043e\u0434\u043d\u0430 \u0441\u0435\u0441\u0441\u0438\u044f \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u043d\u0430 \u043d\u0430 \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u0441\u0442\u0440\u043e\u043a. \u0415\u0441\u043b\u0438 \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0438 \u043f\u043e split\u2019\u0430\u043c, \u0442\u043e \u0432 test \u043f\u043e\u043f\u0430\u0434\u0443\u0442 \u201c\u0441\u043b\u0435\u0434\u044b\u201d \u0442\u0435\u0445 \u0436\u0435 \u044e\u0437\u0435\u0440\u043e\u0432, \u0447\u0442\u043e \u0438 \u0432 train, \u0430 \u044d\u0442\u043e \u0443\u0442\u0435\u0447\u043a\u0430 \u0447\u0435\u0440\u0435\u0437 id-\u043a\u043e\u0440\u0440\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438.<\/p>\n<h4>\u041f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432\u044b\u0435 AB-\u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0438 \u0432\u0441\u0451, \u0433\u0434\u0435 \u0432\u0430\u0436\u0435\u043d session-level split<\/h4>\n<p>\u0422\u0443\u0442 \u0433\u0440\u0443\u043f\u043f\u043e\u0432\u0430\u044f \u0446\u0435\u043b\u043e\u0441\u0442\u043d\u043e\u0441\u0442\u044c \u2014 must-have. \u041c\u044b \u0448\u0435\u0439\u043a\u0430\u0435\u043c <strong>\u043c\u0435\u0436\u0434\u0443<\/strong> \u0433\u0440\u0443\u043f\u043f\u0430\u043c\u0438, \u043d\u043e \u043d\u0435 <strong>\u0432\u043d\u0443\u0442\u0440\u0438<\/strong>.<\/p>\n<h3>\u0413\u0434\u0435 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u043e\u0441\u0442\u044c \u0432\u0440\u0435\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044e<\/h3>\n<ul>\n<li>\n<p><strong>Look-ahead bias<\/strong> \u2014 \u043a\u043e\u0433\u0434\u0430 \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0430 \u0431\u0443\u0434\u0443\u0449\u0435\u0439 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438.<\/p>\n<\/li>\n<li>\n<p><strong>Target leakage<\/strong> \u2014 \u043f\u0440\u0438\u0437\u043d\u0430\u043a \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0446\u0435\u043b\u0435\u0432\u043e\u0439 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439 \u0438\u043b\u0438 \u0431\u0443\u0434\u0443\u0449\u0438\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439.<\/p>\n<\/li>\n<li>\n<p><strong>Temporal leakage<\/strong> \u2014 \u043c\u0435\u0442\u043a\u0438 \u043f\u0430\u043a\u0443\u044e\u0442\u0441\u044f \u043f\u043e \u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044e: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <code>is_holiday<\/code>. \u0415\u0441\u043b\u0438 \u0438\u0445 \u043f\u0435\u0440\u0435\u0442\u0430\u0441\u043e\u0432\u0430\u0442\u044c, \u0442\u0435\u0441\u0442 \u0443\u0437\u043d\u0430\u0435\u0442 \u043f\u0440\u0430\u0437\u0434\u043d\u0438\u043a\u0438 \u0440\u0430\u043d\u044c\u0448\u0435 \u0432\u0440\u0435\u043c\u0435\u043d\u0438.<\/p>\n<\/li>\n<\/ul>\n<p>leakage \u2014 \u0432 \u0446\u0435\u043b\u043e\u043c \u0441\u0430\u043c \u043f\u043e \u0441\u0435\u0431\u0435 \u0441\u0430\u043c\u044b\u0439 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0439 \u0431\u0430\u0433 ML-\u0441\u0438\u0441\u0442\u0435\u043c. \u0423\u0442\u0435\u0447\u043a\u0430 \u0447\u0430\u0441\u0442\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043d\u0435\u0432\u0438\u043d\u043d\u043e: \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 <code>total_sales_next_month<\/code> \u043a\u0430\u043a \u0444\u0438\u0447\u0443 \u0434\u043b\u044f \u043c\u043e\u0434\u0435\u043b\u0438, \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0449\u0435\u0439 \u0441\u043f\u0440\u043e\u0441 \u2014 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 99 % R\u00b2. <\/p>\n<h3>\u041a\u0430\u043a \u0434\u0435\u043b\u0430\u0442\u044c GroupShuffle \u0438\u043b\u0438 TimeSeriesSplit<\/h3>\n<h4>GroupShuffleSplit<\/h4>\n<pre><code class=\"python\">from sklearn.model_selection import GroupShuffleSplit  gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, test_idx = next(gss.split(X, y, groups=user_id))  X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]<\/code><\/pre>\n<p><code>GroupShuffleSplit<\/code> \u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0440\u0443\u0435\u0442, \u0447\u0442\u043e \u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e <code>user_id<\/code> \u0440\u043e\u0432\u043d\u043e \u043e\u0434\u0438\u043d \u0441\u043f\u043b\u0438\u0442: \u043b\u0438\u0431\u043e train, \u043b\u0438\u0431\u043e test. \u041f\u043e\u0434 \u043a\u0430\u043f\u043e\u0442\u043e\u043c \u043e\u043d \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0442\u0430\u0441\u0443\u0435\u0442 \u0441\u0430\u043c\u0438 \u0433\u0440\u0443\u043f\u043f\u044b, \u0430 \u043d\u0435 \u0437\u0430\u043f\u0438\u0441\u0438.<\/p>\n<h4>TimeSeriesSplit<\/h4>\n<pre><code class=\"python\">from sklearn.model_selection import TimeSeriesSplit  tscv = TimeSeriesSplit(n_splits=5, test_size=24*7)  # \u043d\u0435\u0434\u0435\u043b\u044f \u0432 \u0447\u0430\u0441\u0430\u0445 for fold, (train_idx, test_idx) in enumerate(tscv.split(X)):     model.fit(X.iloc[train_idx], y.iloc[train_idx])     y_pred = model.predict(X.iloc[test_idx])     ...<\/code><\/pre>\n<p>\u0421\u043f\u043b\u0438\u0442\u0442\u0435\u0440 \u043e\u0442\u0434\u0430\u0451\u0442 \u0440\u0430\u0441\u0442\u0430\u044e\u0449\u0438\u0439 train \u0438 \u0441\u043a\u043e\u043b\u044c\u0437\u044f\u0449\u0435\u0435 \u043e\u043a\u043d\u043e test. \u0428\u0435\u0439\u043a\u0430 \u043d\u0435\u0442 \u0432\u043e\u0432\u0441\u0435 \u2014 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0441\u0432\u044f\u0449\u0435\u043d\u0435\u043d.<\/p>\n<h3>\u041a\u0435\u0439\u0441 \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043c\u0430\u0433\u0430\u0437\u0438\u043d\u0430 \u043a\u043e\u0442\u0438\u043a\u043e\u0432<\/h3>\n<p>\u0423 \u043d\u0430\u0441 \u0437\u043e\u043e\u043c\u0430\u0440\u043a\u0435\u0442 <strong>Purrfect Shop<\/strong>. \u0412 \u0431\u0430\u0437\u0435 \u043b\u0435\u0436\u0430\u0442 \u0447\u0435\u0442\u044b\u0440\u0435 \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u0442\u0430\u0431\u043b\u0438\u0446\u044b:<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0422\u0430\u0431\u043b\u0438\u0446\u0430<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0427\u0442\u043e \u0432\u043d\u0443\u0442\u0440\u0438<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0413\u0440\u0430\u043d\u0443\u043b\u044f\u0440\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>customers<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>customer_id<\/code>, \u0434\u0435\u043c\u043e\u0433\u0440\u0430\u0444\u0438\u044f, \u0434\u0430\u0442\u0430 \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0430\u0446\u0438\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u0432\u043b\u0430\u0434\u0435\u043b\u044c\u0446\u0430<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>cats<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>cat_id<\/code>, \u043f\u043e\u0440\u043e\u0434\u0430, \u0446\u0435\u043d\u0430, \u0434\u0430\u0442\u0430 \u043f\u043e\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f<\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u043a\u043e\u0442\u0438\u043a\u0430<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>orders<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>order_id<\/code>, <code>customer_id<\/code>, <code>order_dt<\/code>, <code>total_sum<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u0447\u0435\u043a<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>order_lines<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>order_id<\/code>, <code>cat_id<\/code>, <code>qty<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u043f\u043e\u0437\u0438\u0446\u0438\u044e \u0432 \u0447\u0435\u043a\u0435<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u041c\u044b \u0445\u043e\u0442\u0438\u043c \u0440\u0435\u0448\u0438\u0442\u044c <strong>\u0434\u0432\u0435<\/strong> \u0437\u0430\u0434\u0430\u0447\u0438:<\/p>\n<ol>\n<li>\n<p><strong>Churn-\u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f<\/strong>: \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0443\u0439\u0434\u0451\u0442 \u043b\u0438 \u043a\u043b\u0438\u0435\u043d\u0442 \u0432 \u0442\u0435\u0447\u0435\u043d\u0438\u0435 30 \u0434\u043d\u0435\u0439.<\/p>\n<\/li>\n<li>\n<p><strong>\u041f\u0440\u043e\u0433\u043d\u043e\u0437 \u043e\u0431\u043e\u0440\u043e\u0442\u0430<\/strong> \u043d\u0430 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 7 \u0434\u043d\u0435\u0439 \u0438\u0437 \u0442\u0430\u0439\u043c-\u0441\u0435\u0440\u0438\u0438.<\/p>\n<\/li>\n<\/ol>\n<p>\u041f\u043b\u044e\u0441 \u043e\u0431\u0443\u0447\u0430\u0435\u043c CNN, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043f\u043e \u0444\u043e\u0442\u043e \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0435\u0442 \u043f\u043e\u0440\u043e\u0434\u0443 \u0434\u043b\u044f \u0430\u0432\u0442\u043e\u0437\u0430\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u044f \u043a\u0430\u0440\u0442\u043e\u0447\u0435\u043a.<\/p>\n<h4>Churn-\u043c\u043e\u0434\u0435\u043b\u044c: \u0433\u0434\u0435 shuffle \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u0435\u043d \u0438 \u0433\u0434\u0435 \u043d\u0435\u043b\u044c\u0437\u044f<\/h4>\n<p>\u041d\u0430\u0438\u0432\u043d\u044b\u0439, \u043d\u043e \u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  X = features_df  # \u0441\u043e\u0431\u0440\u0430\u043b\u0438 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 *\u043a\u043b\u0438\u0435\u043d\u0442\u0430* y = labels_df['will_churn']  X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.25, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u041a\u0430\u0436\u0434\u0430\u044f \u0441\u0442\u0440\u043e\u043a\u0430 \u2014 \u043a\u043b\u0438\u0435\u043d\u0442, \u0430 \u0437\u043d\u0430\u0447\u0438\u0442 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0435\u0439 \u0432\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043d\u0435\u0442. Shuffle \u0437\u0434\u0435\u0441\u044c \u0443\u043c\u0435\u0441\u0442\u0435\u043d: \u043a\u043b\u0430\u0441\u0441\u044b \u00ab\u0443\u0439\u0434\u0435\u0442\/\u043e\u0441\u0442\u0430\u043d\u0435\u0442\u0441\u044f\u00bb \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u043d\u044b \u0440\u0430\u0432\u043d\u043e\u043c\u0435\u0440\u043d\u043e \u2014 \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0435 \u0432\u0438\u0434\u0438\u0442 \u043f\u0430\u0442\u0442\u0435\u0440\u043d\u0430 \u201c\u043f\u0435\u0440\u0432\u044b\u0435 75 % \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432 \u2014 \u043d\u043e\u0432\u044b\u0435, \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u2014 \u0441\u0442\u0430\u0440\u044b\u0435\u201d.<\/p>\n<p>\u041c\u044b \u0440\u0435\u0448\u0430\u0435\u043c \u201c\u0447\u0443\u0442\u044c \u0443\u043b\u0443\u0447\u0448\u0438\u0442\u044c\u201d \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0438 \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u043c \u043d\u0430 <strong>\u0441\u0442\u0440\u043e\u043a\u0438-\u0447\u0435\u043a<\/strong>. \u041e\u0434\u0438\u043d \u043a\u043b\u0438\u0435\u043d\u0442 = \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u0447\u0435\u043a\u043e\u0432:<\/p>\n<pre><code class=\"python\">orders_df['will_churn'] = ... X = orders_df.drop('will_churn', axis=1) y = orders_df['will_churn']  # \u0442\u0435 \u0436\u0435 5 \u0441\u0442\u0440\u043e\u043a \u043a\u043e\u0434\u0430: X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.25, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043f\u043e\u043b\u043e\u0432\u0438\u043d\u0430 \u0447\u0435\u043a\u043e\u0432 \u041f\u0435\u0442\u044f-\u041a\u043e\u0442\u043e\u043b\u044e\u0431 \u043f\u043e\u043f\u0430\u043b\u0430 \u0432 train, \u043f\u043e\u043b\u043e\u0432\u0438\u043d\u0430 \u2014 \u0432 test.<\/p>\n<p>\u0423\u0442\u0435\u0447\u043a\u0430: \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438, \u0432\u0440\u043e\u0434\u0435 \u00abtotal_sum_last_3_orders\u00bb, \u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0442\u0441\u044f. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u2014 <strong>AUC = 0.97<\/strong> \u043d\u0430 \u0442\u0435\u0441\u0442\u0435, \u043d\u043e \u0432 \u043f\u0440\u043e\u0434\u0435 \u043f\u0430\u0434\u0430\u0435\u043c \u0434\u043e 0.68 \u0438 \u043b\u043e\u0432\u0438\u043c.<\/p>\n<p>\u041f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e: GroupShuffleSplit<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import GroupShuffleSplit  gss = GroupShuffleSplit(test_size=0.25, n_splits=1, random_state=42) train_idx, test_idx = next(gss.split(X, y, groups=orders_df['customer_id']))  X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]<\/code><\/pre>\n<p><em>\u0422\u0435\u043f\u0435\u0440\u044c \u043a\u0430\u0436\u0434\u044b\u0439 \u043a\u043b\u0438\u0435\u043d\u0442 \u0436\u0438\u0432\u0451\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0432 \u043e\u0434\u043d\u043e\u043c \u0441\u043f\u043b\u0438\u0442\u0435.<\/em> AUC \u0447\u0435\u0441\u0442\u043d\u043e \u043f\u0430\u0434\u0430\u0435\u0442 \u0434\u043e 0.79 \u2014 \u0437\u0430\u0442\u043e \u0432 \u043f\u0440\u043e\u0434\u0435 \u0432\u0441\u0451 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e.<\/p>\n<h3>\u041f\u0440\u043e\u0433\u043d\u043e\u0437 \u043e\u0431\u043e\u0440\u043e\u0442\u0430: shuffle=False, \u0438\u043d\u0430\u0447\u0435 \u0431\u0430\u0431\u0430\u0445<\/h3>\n<p>\u041a\u0430\u043a \u043b\u043e\u043c\u0430\u0435\u0442\u0441\u044f time series:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  # aggregated_df: daily revenue, lag-features, holidays, etc. X = aggregated_df.drop('revenue', axis=1) y = aggregated_df['revenue']  X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.2, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u041c\u043e\u0434\u0435\u043b\u044c \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u043e \u0432\u0438\u0434\u0438\u0442 2025-06-01 \u0432 train, \u0430 2025-05-20 \u0432 test.<\/p>\n<p>\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c TimeSeriesSplit:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import TimeSeriesSplit import lightgbm as lgb import numpy as np  tscv = TimeSeriesSplit(n_splits=5, test_size=7) scores = []  for fold, (tr, val) in enumerate(tscv.split(X)):     model = lgb.LGBMRegressor(n_estimators=500, learning_rate=0.03)     model.fit(X.iloc[tr], y.iloc[tr])     preds = model.predict(X.iloc[val])     rmse = np.sqrt(((preds - y.iloc[val])**2).mean())     scores.append(rmse)     print(f'Fold {fold}: RMSE={rmse:.2f}')  print(f'Mean CV RMSE: {np.mean(scores):.2f}')<\/code><\/pre>\n<p>\u0411\u0435\u0437 shuffle, \u0441 \u0440\u0430\u0441\u0442\u0443\u0449\u0438\u043c \u043e\u043a\u043d\u043e\u043c.<\/p>\n<h3>CNN \u0434\u043b\u044f \u0444\u043e\u0442\u043e-\u043a\u043e\u0442\u0438\u043a\u043e\u0432<\/h3>\n<p>\u041a\u043e\u0433\u0434\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043a\u0443, \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u043d\u0435 \u0432\u0430\u0436\u0435\u043d; \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442, shuffle \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0441\u0442\u043e\u0445\u0430\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c\u0443 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u0443 \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0438 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u0435\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u044c\u0441\u044f.<\/p>\n<pre><code class=\"python\">from torchvision import datasets, transforms from torch.utils.data import DataLoader  train_ds = datasets.ImageFolder(     root='cats\/train',     transform=transforms.Compose([         transforms.Resize((224, 224)),         transforms.RandomHorizontalFlip(),         transforms.ToTensor()     ]) )  train_loader = DataLoader(     train_ds,     batch_size=32,     shuffle=True,          # \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e!     num_workers=4,     pin_memory=True )<\/code><\/pre>\n<pre><code class=\"python\">val_loader = DataLoader(     val_ds,     batch_size=32,     shuffle=False,        # \u0447\u0442\u043e\u0431 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u043d\u0435 \u00ab\u043f\u043b\u044f\u0441\u0430\u043b\u0438\u00bb     num_workers=4 )<\/code><\/pre>\n<p>\u041d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043d\u0430\u0448\u0435\u0433\u043e \u043a\u043e\u0442\u043e\u043c\u0430\u0440\u043a\u0435\u0442\u0430 \u0432\u0438\u0434\u0438\u043c \u0442\u0440\u0438 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u044f:<\/p>\n<ul>\n<li>\n<p><strong>\u0422\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0435 i.i.d. \u0434\u0430\u043d\u043d\u044b\u0435<\/strong> \u2014 \u043c\u0435\u0448\u0430\u0435\u043c, \u0447\u0442\u043e\u0431\u044b \u0438\u0437\u0431\u0435\u0436\u0430\u0442\u044c \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u0438.<\/p>\n<\/li>\n<li>\n<p><strong>\u0413\u0440\u0443\u043f\u043f\u044b \/ \u0432\u0440\u0435\u043c\u044f<\/strong> \u2014 \u0431\u0435\u0440\u0435\u0436\u0451\u043c \u043f\u043e\u0440\u044f\u0434\u043e\u043a, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0443\u0442\u0435\u0447\u043a\u0430 \u0434\u043e\u0440\u043e\u0436\u0435.<\/p>\n<\/li>\n<li>\n<p><strong>Vision \/ NLP<\/strong> \u2014 \u043c\u0435\u0448\u0430\u0435\u043c \u0432\u043d\u0443\u0442\u0440\u0438 \u044d\u043f\u043e\u0445\u0438, \u043d\u043e \u0434\u0435\u0440\u0436\u0438\u043c \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044e \u0434\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439.<\/p>\n<\/li>\n<\/ul>\n<p>\u0415\u0441\u043b\u0438 \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u0435\u0442\u0435\u0441\u044c \u2014 \u043d\u0435 \u0448\u0435\u0439\u043a\u0430\u0439\u0442\u0435.<\/p>\n<h3>\u0428\u0435\u0439\u043a\u0430\u0442\u044c \u0438\u043b\u0438 \u043d\u0435 \u0448\u0435\u0439\u043a\u0430\u0442\u044c<\/h3>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0422\u0438\u043f \u0434\u0430\u043d\u043d\u044b\u0445 \/ \u0437\u0430\u0434\u0430\u0447\u0430<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0428\u0435\u0439\u043a\u0430\u0442\u044c?<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0421\u043f\u043b\u0438\u0442\u0442\u0435\u0440<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u041a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0439<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0442\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0439 ML<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>train_test_split<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0411\u0430\u0437\u043e\u0432\u0430\u044f \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0430, \u0438\u0437\u0431\u0435\u0433\u0430\u0435\u043c order-bias.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0418\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\/\u0442\u0435\u043a\u0441\u0442\u044b \u0431\u0435\u0437 \u044f\u0432\u043d\u044b\u0445 \u0433\u0440\u0443\u043f\u043f<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>train_test_split<\/code> + <code>stratify<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c \u0431\u0430\u043b\u0430\u043d\u0441 \u043a\u043b\u0430\u0441\u0441\u043e\u0432.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041b\u043e\u0433\u0438 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u0440\u043e\u043a \u043d\u0430 ID<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>GroupShuffleSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0426\u0435\u043b\u043e\u0441\u0442\u043d\u043e\u0441\u0442\u044c \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0430\u0436\u043d\u0435\u0435.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0412\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u0440\u044f\u0434\u044b (\u043f\u0440\u043e\u0433\u043d\u043e\u0437 \u0441\u043f\u0440\u043e\u0441\u0430, \u0444\u0438\u043d\u0430\u043d\u0441\u044b)<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>TimeSeriesSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0425\u0440\u043e\u043d\u043e\u043b\u043e\u0433\u0438\u044f \u0432\u0430\u0436\u043d\u0430.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 hold-out \u0434\u043b\u044f AB-\u0442\u0435\u0441\u0442\u0430<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>GroupShuffleSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u0435\u0441\u0441\u0438\u0438 \u043d\u0435 \u0434\u043e\u043b\u0436\u043d\u044b \u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u0442\u044c\u0441\u044f.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">Kaggle \u0441 \u0444\u0435\u0439\u043a-ID, \u043d\u043e \u044f\u0432\u043d\u043e\u0439 \u0443\u0442\u0435\u0447\u043a\u0438 \u043d\u0435\u0442<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0421\u043a\u043e\u0440\u0435\u0435 \u0434\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>StratifiedKFold<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0427\u0438\u0442\u0430\u0439\u0442\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u0441\u043e\u0440\u0435\u0432\u043d\u043e\u0432\u0430\u043d\u0438\u044f.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">Tiny-\u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u2264 100 \u0441\u0442\u0440\u043e\u043a<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430, \u043d\u043e \u0444\u0438\u043a\u0441\u0438\u0440\u0443\u0439\u0442\u0435 seed<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041b\u044e\u0431\u043e\u0439<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0412\u0430\u0440\u044c\u0438\u0440\u0443\u0439\u0442\u0435 \u0434\u043e 10-\u043a\u0440\u0430\u0442\u043d\u043e\u0433\u043e CV \u0434\u043b\u044f \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438.<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<hr\/>\n<h3>\u0412\u044b\u0432\u043e\u0434<\/h3>\n<p>\u0415\u0441\u043b\u0438 \u0447\u0443\u0432\u0441\u0442\u0432\u0443\u0435\u0442\u0435 \u0437\u0430\u043f\u0430\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439 \u0438\u043b\u0438 \u0433\u0440\u0443\u043f\u043f\u043e\u0432\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u2014 \u0443\u0431\u0435\u0440\u0438\u0442\u0435 \u0440\u0443\u043a\u0443 \u043e\u0442 <code>shuffle=True<\/code> \u0438 \u0434\u043e\u0441\u0442\u0430\u043d\u044c\u0442\u0435 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0441\u043f\u043b\u0438\u0442\u0442\u0435\u0440.<\/p>\n<hr\/>\n<p>\u0413\u043e\u0442\u043e\u0432\u0438\u0442\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f\u00a0\u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f? \u0422\u043e\u0433\u0434\u0430 \u0437\u043d\u0430\u0435\u0442\u0435: \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0441\u043f\u043b\u0438\u0442\u00a0\u2014 \u0438 \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442 \u0431\u0443\u0434\u0443\u0449\u0435\u0435, \u00ab\u043f\u043e\u0434\u0433\u043b\u044f\u0434\u044b\u0432\u0430\u0435\u0442\u00bb \u0432\u00a0\u0442\u0435\u0441\u0442 \u0438 \u0432\u00a0\u0438\u0442\u043e\u0433\u0435 \u043f\u0440\u043e\u0432\u0430\u043b\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0432\u00a0\u043f\u0440\u043e\u0434\u0435.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u043b\u0438\u0437\u043a\u0438 \u0442\u0430\u043a\u0438\u0435 \u0442\u0435\u043c\u044b, \u043a\u0430\u043a\u00a0\u043f\u0440\u0435\u0434\u043e\u0442\u0432\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0443\u0442\u0435\u0447\u0435\u043a, GroupShuffle, TimeSeriesSplit, \u0447\u0435\u0441\u0442\u043d\u044b\u0435 A\/B\u2011\u0442\u0435\u0441\u0442\u044b \u0438 \u0433\u0440\u0430\u043c\u043e\u0442\u043d\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441\u00a0\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c\u0438 \u0440\u044f\u0434\u0430\u043c\u0438\u00a0\u2014 \u0432 Otus \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0441\u043a\u043e\u0440\u043e \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0435 \u0443\u0440\u043e\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u0435\u043c \u043f\u043e\u0441\u0435\u0442\u0438\u0442\u044c:<\/p>\n<ul>\n<li>\n<p>3\u00a0\u0438\u044e\u043b\u044f \u0432 18:00\u00a0\u2014 <a href=\"https:\/\/otus.pw\/Byqr\/\" rel=\"noopener noreferrer nofollow\">\u00ab\u041a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f\u00a0ML\u2011\u043c\u043e\u0434\u0435\u043b\u0435\u0439?\u00bb<\/a><br \/>\u0420\u0430\u0437\u0431\u0435\u0440\u0451\u0442\u0435\u0441\u044c, \u043a\u0430\u043a\u0438\u0435 \u043e\u0448\u0438\u0431\u043a\u0438 \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0438 \u043c\u0435\u0448\u0430\u044e\u0442 \u0432\u0430\u0448\u0438\u043c \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u00a0\u0431\u044b\u0442\u044c \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u044b\u043c\u0438\u00a0\u2014 \u0438 \u043a\u0430\u043a\u00a0\u044d\u0442\u043e\u0433\u043e \u0438\u0437\u0431\u0435\u0436\u0430\u0442\u044c.<\/p>\n<\/li>\n<li>\n<p>16\u00a0\u0438\u044e\u043b\u044f \u0432 18:00\u00a0\u2014 <a href=\"https:\/\/otus.pw\/4xUT\/\" rel=\"noopener noreferrer nofollow\">\u00abRandom Forest\u00a0\u2014 \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0430\u043d\u0441\u0430\u043c\u0431\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u00a0ML\u00bb<\/a><br \/>\u041d\u0430\u00a0\u043f\u0440\u0438\u043c\u0435\u0440\u0430\u0445 \u0440\u0430\u0437\u0431\u0435\u0440\u0451\u0442\u0435\u0441\u044c, \u043f\u043e\u0447\u0435\u043c\u0443 \u0434\u0430\u0436\u0435 \u0441\u0430\u043c\u044b\u0435 \u0441\u0438\u043b\u044c\u043d\u044b\u0435 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u043d\u0435\u00a0\u0441\u043f\u0430\u0441\u0443\u0442, \u0435\u0441\u043b\u0438 \u0432\u00a0train \u0443\u0442\u0435\u043a\u0430\u0435\u0442 test.<\/p>\n<\/li>\n<\/ul>\n<p><em>\u0425\u043e\u0442\u0438\u0442\u0435 \u0431\u043e\u043b\u044c\u0448\u0435? \u0417\u0430\u0433\u043b\u044f\u043d\u0438\u0442\u0435 \u0432 <\/em><a href=\"https:\/\/otus.pw\/ztYL\/\" rel=\"noopener noreferrer nofollow\"><em>\u043a\u0430\u0442\u0430\u043b\u043e\u0433 \u043a\u0443\u0440\u0441\u043e\u0432<\/em><\/a><em>\u00a0\u2014 \u0442\u0430\u043c \u0435\u0441\u0442\u044c \u0432\u0441\u0451: \u043e\u0442\u00a0ML\u2011\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0434\u043e\u00a0\u043f\u0440\u043e\u0434\u0432\u0438\u043d\u0443\u0442\u043e\u0433\u043e Python.<\/em><\/p>\n<p><em>\u0410\u00a0\u0447\u0442\u043e\u0431\u044b \u043d\u0438\u0447\u0435\u0433\u043e \u043d\u0435\u00a0\u043f\u0440\u043e\u043f\u0443\u0441\u0442\u0438\u0442\u044c, \u0434\u043e\u0431\u0430\u0432\u044c\u0442\u0435 <\/em><a href=\"https:\/\/otus.pw\/BK4nX\/\" rel=\"noopener noreferrer nofollow\"><em>\u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044c \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0443\u0440\u043e\u043a\u043e\u0432<\/em><\/a><em>\u00a0\u2014 \u043f\u0443\u0441\u0442\u044c \u043e\u043d \u043d\u0430\u043f\u043e\u043c\u043d\u0438\u0442 \u0432\u0430\u043c, \u043a\u043e\u0433\u0434\u0430 \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0438\u0442\u044c\u0441\u044f \u043a\u00a0\u0442\u0440\u0430\u043d\u0441\u043b\u044f\u0446\u0438\u0438.<\/em><\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/921526\/\"> https:\/\/habr.com\/ru\/articles\/921526\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p> \u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u0421\u0435\u0433\u043e\u0434\u043d\u044f \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0435\u0432\u0438\u043d\u043d\u044b\u0439 \u043d\u0430 \u043f\u0435\u0440\u0432\u044b\u0439 \u0432\u0437\u0433\u043b\u044f\u0434 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <code>shuffle=True<\/code> \u0432 <code>train_test_split<\/code>.<\/p>\n<p>\u041f\u043e\u0434 \u00ab\u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0442\u044c\u00bb \u043f\u043e\u0434\u0440\u0430\u0437\u0443\u043c\u0435\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043f\u0441\u0435\u0432\u0434\u043e-\u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u043c\u0443\u0442\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u0430 (\u043e\u0431\u044b\u0447\u043d\u043e Fisher\u2013Yates) \u043a \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u043c \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0434\u043e \u0442\u043e\u0433\u043e, \u043a\u0430\u043a \u043c\u044b \u0440\u0435\u0436\u0435\u043c \u0435\u0451 \u043d\u0430 train\/test. \u0426\u0435\u043b\u044c \u2014 \u0437\u0430\u0441\u0442\u0430\u0432\u0438\u0442\u044c train-\u0438-test \u0431\u044b\u0442\u044c \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u043c\u0438 \u0438 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u043e \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u044b\u043c\u0438 (i.i.d.). \u0412 scikit-learn \u044d\u0442\u0430 \u043b\u043e\u0433\u0438\u043a\u0430 \u0437\u0430\u0448\u0438\u0442\u0430 \u0432 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <code><strong>shuffle<\/strong><\/code> \u043f\u043e\u0447\u0442\u0438 \u0432\u0441\u0435\u0445 \u0441\u043f\u043b\u0438\u0442\u0442\u0435\u0440\u043e\u0432. \u0412 <code>train_test_split<\/code> \u043e\u043d <code>True<\/code> \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e, \u0447\u0442\u043e \u043f\u0440\u044f\u043c\u043e \u0441\u043a\u0430\u0437\u0430\u043d\u043e \u0432 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u2014 \u00ab<code>shuffle bool, default=True<\/code>\u00bb.<\/p>\n<h3>train_test_split<\/h3>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  X_train, X_test, y_train, y_test = train_test_split(     features,     target,     test_size=0.2,     random_state=42,  # \u043d\u0430\u0434\u043e \u0434\u043b\u044f \u0440\u0435\u043f\u043b\u0438\u043a\u0430\u0431\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438     shuffle=True      # \u0441\u043c\u0435\u043b\u043e \u0442\u0430\u0441\u0443\u0435\u043c ) <\/code><\/pre>\n<p>\u041a\u043e\u0433\u0434\u0430 <code>shuffle=True<\/code>, \u0444\u0443\u043d\u043a\u0446\u0438\u044f:<\/p>\n<ol>\n<li>\n<p>\u0413\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u0443\u044e \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0443 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u0432 (\u0443\u0447\u0438\u0442\u044b\u0432\u0430\u044f <code>random_state<\/code>).<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e \u043d\u0435\u0439 \u0434\u0435\u043b\u0438\u0442 \u0434\u0430\u043d\u043d\u044b\u0435.<\/p>\n<\/li>\n<\/ol>\n<p>\u0415\u0441\u043b\u0438 \u043f\u0440\u0438\u0441\u0432\u043e\u0438\u0442\u044c <code>shuffle=False<\/code>, \u043e\u043d\u0430 \u043f\u0440\u043e\u0441\u0442\u043e \u0431\u0435\u0440\u0435\u0442 \u201c\u0441 \u0433\u043e\u043b\u043e\u0432\u044b\u201d <code>train_size<\/code> \u0441\u0442\u0440\u043e\u043a, \u0430 \u201c\u0445\u0432\u043e\u0441\u0442\u201d \u2014 test. \u0420\u0430\u0441\u043a\u043b\u0430\u0434 \u043e\u0447\u0435\u0432\u0438\u0434\u0435\u043d \u0438\u0437 \u0438\u0441\u0445\u043e\u0434\u043d\u0438\u043a\u043e\u0432 \u0438 \u043f\u043e\u0434\u0442\u0432\u0435\u0440\u0436\u0434\u0451\u043d \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u043c \u0434\u043e\u043a\u0435.<\/p>\n<h3>\u041a\u043e\u0433\u0434\u0430 shuffle=False \u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u0435<\/h3>\n<h4>\u0412\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u0440\u044f\u0434\u044b<\/h4>\n<p>Time-series \u2014 \u043a\u043b\u0430\u0441\u0441\u0438\u043a\u0430, \u0433\u0434\u0435 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u2014 \u0437\u0430\u043a\u043e\u043d. \u0415\u0441\u043b\u0438 \u043c\u044b \u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0435\u043c, \u0442\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0432\u0438\u0434\u0438\u0442 \u0431\u0443\u0434\u0443\u0449\u0435\u0435 \u0440\u0430\u043d\u044c\u0448\u0435 \u043f\u0440\u043e\u0448\u043b\u043e\u0433\u043e \u0438 \u0441\u0442\u0430\u043d\u0435\u0442 \u0433\u0430\u0434\u0430\u043b\u043a\u043e\u0439. \u0421 \u0442\u043e\u0447\u043a\u0438 \u0437\u0440\u0435\u043d\u0438\u044f \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u044d\u0442\u043e \u201clook-ahead bias\u201d. \u041d\u0430 \u0442\u043e\u043c \u0436\u0435 Cross-Validated \u043f\u0440\u044f\u043c\u044b\u043c \u0442\u0435\u043a\u0441\u0442\u043e\u043c: \u0432 time-series \u043d\u0443\u0436\u043d\u043e \u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0445\u0440\u043e\u043d\u043e\u043b\u043e\u0433\u0438\u044e \u0438 \u044e\u0437\u0430\u0442\u044c <code>TimeSeriesSplit<\/code>.<\/p>\n<h4>\u0417\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u0433\u0440\u0443\u043f\u043f<\/h4>\n<p>\u041a\u043b\u0438\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435, \u0433\u0434\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0438\u0441\u0435\u0439 \u043d\u0430 \u043e\u0434\u043d\u043e\u0433\u043e \u043f\u0430\u0446\u0438\u0435\u043d\u0442\u0430; \u043b\u043e\u0433\u0438 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0433\u0434\u0435 \u043e\u0434\u043d\u0430 \u0441\u0435\u0441\u0441\u0438\u044f \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u043d\u0430 \u043d\u0430 \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u0441\u0442\u0440\u043e\u043a. \u0415\u0441\u043b\u0438 \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0438 \u043f\u043e split\u2019\u0430\u043c, \u0442\u043e \u0432 test \u043f\u043e\u043f\u0430\u0434\u0443\u0442 \u201c\u0441\u043b\u0435\u0434\u044b\u201d \u0442\u0435\u0445 \u0436\u0435 \u044e\u0437\u0435\u0440\u043e\u0432, \u0447\u0442\u043e \u0438 \u0432 train, \u0430 \u044d\u0442\u043e \u0443\u0442\u0435\u0447\u043a\u0430 \u0447\u0435\u0440\u0435\u0437 id-\u043a\u043e\u0440\u0440\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438.<\/p>\n<h4>\u041f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432\u044b\u0435 AB-\u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0438 \u0432\u0441\u0451, \u0433\u0434\u0435 \u0432\u0430\u0436\u0435\u043d session-level split<\/h4>\n<p>\u0422\u0443\u0442 \u0433\u0440\u0443\u043f\u043f\u043e\u0432\u0430\u044f \u0446\u0435\u043b\u043e\u0441\u0442\u043d\u043e\u0441\u0442\u044c \u2014 must-have. \u041c\u044b \u0448\u0435\u0439\u043a\u0430\u0435\u043c <strong>\u043c\u0435\u0436\u0434\u0443<\/strong> \u0433\u0440\u0443\u043f\u043f\u0430\u043c\u0438, \u043d\u043e \u043d\u0435 <strong>\u0432\u043d\u0443\u0442\u0440\u0438<\/strong>.<\/p>\n<h3>\u0413\u0434\u0435 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u043e\u0441\u0442\u044c \u0432\u0440\u0435\u0434\u0438\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044e<\/h3>\n<ul>\n<li>\n<p><strong>Look-ahead bias<\/strong> \u2014 \u043a\u043e\u0433\u0434\u0430 \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0430 \u0431\u0443\u0434\u0443\u0449\u0435\u0439 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438.<\/p>\n<\/li>\n<li>\n<p><strong>Target leakage<\/strong> \u2014 \u043f\u0440\u0438\u0437\u043d\u0430\u043a \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0446\u0435\u043b\u0435\u0432\u043e\u0439 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439 \u0438\u043b\u0438 \u0431\u0443\u0434\u0443\u0449\u0438\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439.<\/p>\n<\/li>\n<li>\n<p><strong>Temporal leakage<\/strong> \u2014 \u043c\u0435\u0442\u043a\u0438 \u043f\u0430\u043a\u0443\u044e\u0442\u0441\u044f \u043f\u043e \u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044e: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <code>is_holiday<\/code>. \u0415\u0441\u043b\u0438 \u0438\u0445 \u043f\u0435\u0440\u0435\u0442\u0430\u0441\u043e\u0432\u0430\u0442\u044c, \u0442\u0435\u0441\u0442 \u0443\u0437\u043d\u0430\u0435\u0442 \u043f\u0440\u0430\u0437\u0434\u043d\u0438\u043a\u0438 \u0440\u0430\u043d\u044c\u0448\u0435 \u0432\u0440\u0435\u043c\u0435\u043d\u0438.<\/p>\n<\/li>\n<\/ul>\n<p>leakage \u2014 \u0432 \u0446\u0435\u043b\u043e\u043c \u0441\u0430\u043c \u043f\u043e \u0441\u0435\u0431\u0435 \u0441\u0430\u043c\u044b\u0439 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0439 \u0431\u0430\u0433 ML-\u0441\u0438\u0441\u0442\u0435\u043c. \u0423\u0442\u0435\u0447\u043a\u0430 \u0447\u0430\u0441\u0442\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043d\u0435\u0432\u0438\u043d\u043d\u043e: \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 <code>total_sales_next_month<\/code> \u043a\u0430\u043a \u0444\u0438\u0447\u0443 \u0434\u043b\u044f \u043c\u043e\u0434\u0435\u043b\u0438, \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0449\u0435\u0439 \u0441\u043f\u0440\u043e\u0441 \u2014 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 99 % R\u00b2. <\/p>\n<h3>\u041a\u0430\u043a \u0434\u0435\u043b\u0430\u0442\u044c GroupShuffle \u0438\u043b\u0438 TimeSeriesSplit<\/h3>\n<h4>GroupShuffleSplit<\/h4>\n<pre><code class=\"python\">from sklearn.model_selection import GroupShuffleSplit  gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, test_idx = next(gss.split(X, y, groups=user_id))  X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]<\/code><\/pre>\n<p><code>GroupShuffleSplit<\/code> \u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0440\u0443\u0435\u0442, \u0447\u0442\u043e \u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e <code>user_id<\/code> \u0440\u043e\u0432\u043d\u043e \u043e\u0434\u0438\u043d \u0441\u043f\u043b\u0438\u0442: \u043b\u0438\u0431\u043e train, \u043b\u0438\u0431\u043e test. \u041f\u043e\u0434 \u043a\u0430\u043f\u043e\u0442\u043e\u043c \u043e\u043d \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e \u0442\u0430\u0441\u0443\u0435\u0442 \u0441\u0430\u043c\u0438 \u0433\u0440\u0443\u043f\u043f\u044b, \u0430 \u043d\u0435 \u0437\u0430\u043f\u0438\u0441\u0438.<\/p>\n<h4>TimeSeriesSplit<\/h4>\n<pre><code class=\"python\">from sklearn.model_selection import TimeSeriesSplit  tscv = TimeSeriesSplit(n_splits=5, test_size=24*7)  # \u043d\u0435\u0434\u0435\u043b\u044f \u0432 \u0447\u0430\u0441\u0430\u0445 for fold, (train_idx, test_idx) in enumerate(tscv.split(X)):     model.fit(X.iloc[train_idx], y.iloc[train_idx])     y_pred = model.predict(X.iloc[test_idx])     ...<\/code><\/pre>\n<p>\u0421\u043f\u043b\u0438\u0442\u0442\u0435\u0440 \u043e\u0442\u0434\u0430\u0451\u0442 \u0440\u0430\u0441\u0442\u0430\u044e\u0449\u0438\u0439 train \u0438 \u0441\u043a\u043e\u043b\u044c\u0437\u044f\u0449\u0435\u0435 \u043e\u043a\u043d\u043e test. \u0428\u0435\u0439\u043a\u0430 \u043d\u0435\u0442 \u0432\u043e\u0432\u0441\u0435 \u2014 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0441\u0432\u044f\u0449\u0435\u043d\u0435\u043d.<\/p>\n<h3>\u041a\u0435\u0439\u0441 \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043c\u0430\u0433\u0430\u0437\u0438\u043d\u0430 \u043a\u043e\u0442\u0438\u043a\u043e\u0432<\/h3>\n<p>\u0423 \u043d\u0430\u0441 \u0437\u043e\u043e\u043c\u0430\u0440\u043a\u0435\u0442 <strong>Purrfect Shop<\/strong>. \u0412 \u0431\u0430\u0437\u0435 \u043b\u0435\u0436\u0430\u0442 \u0447\u0435\u0442\u044b\u0440\u0435 \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u0442\u0430\u0431\u043b\u0438\u0446\u044b:<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0422\u0430\u0431\u043b\u0438\u0446\u0430<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0427\u0442\u043e \u0432\u043d\u0443\u0442\u0440\u0438<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0413\u0440\u0430\u043d\u0443\u043b\u044f\u0440\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>customers<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>customer_id<\/code>, \u0434\u0435\u043c\u043e\u0433\u0440\u0430\u0444\u0438\u044f, \u0434\u0430\u0442\u0430 \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0430\u0446\u0438\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u0432\u043b\u0430\u0434\u0435\u043b\u044c\u0446\u0430<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>cats<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>cat_id<\/code>, \u043f\u043e\u0440\u043e\u0434\u0430, \u0446\u0435\u043d\u0430, \u0434\u0430\u0442\u0430 \u043f\u043e\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f<\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u043a\u043e\u0442\u0438\u043a\u0430<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>orders<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>order_id<\/code>, <code>customer_id<\/code>, <code>order_dt<\/code>, <code>total_sum<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u0447\u0435\u043a<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><code>order_lines<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>order_id<\/code>, <code>cat_id<\/code>, <code>qty<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">1 \u0441\u0442\u0440\u043e\u043a\u0430 \u043d\u0430 \u043f\u043e\u0437\u0438\u0446\u0438\u044e \u0432 \u0447\u0435\u043a\u0435<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u041c\u044b \u0445\u043e\u0442\u0438\u043c \u0440\u0435\u0448\u0438\u0442\u044c <strong>\u0434\u0432\u0435<\/strong> \u0437\u0430\u0434\u0430\u0447\u0438:<\/p>\n<ol>\n<li>\n<p><strong>Churn-\u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f<\/strong>: \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0443\u0439\u0434\u0451\u0442 \u043b\u0438 \u043a\u043b\u0438\u0435\u043d\u0442 \u0432 \u0442\u0435\u0447\u0435\u043d\u0438\u0435 30 \u0434\u043d\u0435\u0439.<\/p>\n<\/li>\n<li>\n<p><strong>\u041f\u0440\u043e\u0433\u043d\u043e\u0437 \u043e\u0431\u043e\u0440\u043e\u0442\u0430<\/strong> \u043d\u0430 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 7 \u0434\u043d\u0435\u0439 \u0438\u0437 \u0442\u0430\u0439\u043c-\u0441\u0435\u0440\u0438\u0438.<\/p>\n<\/li>\n<\/ol>\n<p>\u041f\u043b\u044e\u0441 \u043e\u0431\u0443\u0447\u0430\u0435\u043c CNN, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043f\u043e \u0444\u043e\u0442\u043e \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0435\u0442 \u043f\u043e\u0440\u043e\u0434\u0443 \u0434\u043b\u044f \u0430\u0432\u0442\u043e\u0437\u0430\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u044f \u043a\u0430\u0440\u0442\u043e\u0447\u0435\u043a.<\/p>\n<h4>Churn-\u043c\u043e\u0434\u0435\u043b\u044c: \u0433\u0434\u0435 shuffle \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u0435\u043d \u0438 \u0433\u0434\u0435 \u043d\u0435\u043b\u044c\u0437\u044f<\/h4>\n<p>\u041d\u0430\u0438\u0432\u043d\u044b\u0439, \u043d\u043e \u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  X = features_df  # \u0441\u043e\u0431\u0440\u0430\u043b\u0438 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 *\u043a\u043b\u0438\u0435\u043d\u0442\u0430* y = labels_df['will_churn']  X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.25, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u041a\u0430\u0436\u0434\u0430\u044f \u0441\u0442\u0440\u043e\u043a\u0430 \u2014 \u043a\u043b\u0438\u0435\u043d\u0442, \u0430 \u0437\u043d\u0430\u0447\u0438\u0442 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0435\u0439 \u0432\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043d\u0435\u0442. Shuffle \u0437\u0434\u0435\u0441\u044c \u0443\u043c\u0435\u0441\u0442\u0435\u043d: \u043a\u043b\u0430\u0441\u0441\u044b \u00ab\u0443\u0439\u0434\u0435\u0442\/\u043e\u0441\u0442\u0430\u043d\u0435\u0442\u0441\u044f\u00bb \u0440\u0430\u0441\u043a\u0438\u0434\u0430\u043d\u044b \u0440\u0430\u0432\u043d\u043e\u043c\u0435\u0440\u043d\u043e \u2014 \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0435 \u0432\u0438\u0434\u0438\u0442 \u043f\u0430\u0442\u0442\u0435\u0440\u043d\u0430 \u201c\u043f\u0435\u0440\u0432\u044b\u0435 75 % \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432 \u2014 \u043d\u043e\u0432\u044b\u0435, \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u2014 \u0441\u0442\u0430\u0440\u044b\u0435\u201d.<\/p>\n<p>\u041c\u044b \u0440\u0435\u0448\u0430\u0435\u043c \u201c\u0447\u0443\u0442\u044c \u0443\u043b\u0443\u0447\u0448\u0438\u0442\u044c\u201d \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0438 \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u043c \u043d\u0430 <strong>\u0441\u0442\u0440\u043e\u043a\u0438-\u0447\u0435\u043a<\/strong>. \u041e\u0434\u0438\u043d \u043a\u043b\u0438\u0435\u043d\u0442 = \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u0447\u0435\u043a\u043e\u0432:<\/p>\n<pre><code class=\"python\">orders_df['will_churn'] = ... X = orders_df.drop('will_churn', axis=1) y = orders_df['will_churn']  # \u0442\u0435 \u0436\u0435 5 \u0441\u0442\u0440\u043e\u043a \u043a\u043e\u0434\u0430: X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.25, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043f\u043e\u043b\u043e\u0432\u0438\u043d\u0430 \u0447\u0435\u043a\u043e\u0432 \u041f\u0435\u0442\u044f-\u041a\u043e\u0442\u043e\u043b\u044e\u0431 \u043f\u043e\u043f\u0430\u043b\u0430 \u0432 train, \u043f\u043e\u043b\u043e\u0432\u0438\u043d\u0430 \u2014 \u0432 test.<\/p>\n<p>\u0423\u0442\u0435\u0447\u043a\u0430: \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438, \u0432\u0440\u043e\u0434\u0435 \u00abtotal_sum_last_3_orders\u00bb, \u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0442\u0441\u044f. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u2014 <strong>AUC = 0.97<\/strong> \u043d\u0430 \u0442\u0435\u0441\u0442\u0435, \u043d\u043e \u0432 \u043f\u0440\u043e\u0434\u0435 \u043f\u0430\u0434\u0430\u0435\u043c \u0434\u043e 0.68 \u0438 \u043b\u043e\u0432\u0438\u043c.<\/p>\n<p>\u041f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e: GroupShuffleSplit<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import GroupShuffleSplit  gss = GroupShuffleSplit(test_size=0.25, n_splits=1, random_state=42) train_idx, test_idx = next(gss.split(X, y, groups=orders_df['customer_id']))  X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]<\/code><\/pre>\n<p><em>\u0422\u0435\u043f\u0435\u0440\u044c \u043a\u0430\u0436\u0434\u044b\u0439 \u043a\u043b\u0438\u0435\u043d\u0442 \u0436\u0438\u0432\u0451\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0432 \u043e\u0434\u043d\u043e\u043c \u0441\u043f\u043b\u0438\u0442\u0435.<\/em> AUC \u0447\u0435\u0441\u0442\u043d\u043e \u043f\u0430\u0434\u0430\u0435\u0442 \u0434\u043e 0.79 \u2014 \u0437\u0430\u0442\u043e \u0432 \u043f\u0440\u043e\u0434\u0435 \u0432\u0441\u0451 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e.<\/p>\n<h3>\u041f\u0440\u043e\u0433\u043d\u043e\u0437 \u043e\u0431\u043e\u0440\u043e\u0442\u0430: shuffle=False, \u0438\u043d\u0430\u0447\u0435 \u0431\u0430\u0431\u0430\u0445<\/h3>\n<p>\u041a\u0430\u043a \u043b\u043e\u043c\u0430\u0435\u0442\u0441\u044f time series:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import train_test_split  # aggregated_df: daily revenue, lag-features, holidays, etc. X = aggregated_df.drop('revenue', axis=1) y = aggregated_df['revenue']  X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.2, shuffle=True, random_state=42 )<\/code><\/pre>\n<p>\u041c\u043e\u0434\u0435\u043b\u044c \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u043e \u0432\u0438\u0434\u0438\u0442 2025-06-01 \u0432 train, \u0430 2025-05-20 \u0432 test.<\/p>\n<p>\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c TimeSeriesSplit:<\/p>\n<pre><code class=\"python\">from sklearn.model_selection import TimeSeriesSplit import lightgbm as lgb import numpy as np  tscv = TimeSeriesSplit(n_splits=5, test_size=7) scores = []  for fold, (tr, val) in enumerate(tscv.split(X)):     model = lgb.LGBMRegressor(n_estimators=500, learning_rate=0.03)     model.fit(X.iloc[tr], y.iloc[tr])     preds = model.predict(X.iloc[val])     rmse = np.sqrt(((preds - y.iloc[val])**2).mean())     scores.append(rmse)     print(f'Fold {fold}: RMSE={rmse:.2f}')  print(f'Mean CV RMSE: {np.mean(scores):.2f}')<\/code><\/pre>\n<p>\u0411\u0435\u0437 shuffle, \u0441 \u0440\u0430\u0441\u0442\u0443\u0449\u0438\u043c \u043e\u043a\u043d\u043e\u043c.<\/p>\n<h3>CNN \u0434\u043b\u044f \u0444\u043e\u0442\u043e-\u043a\u043e\u0442\u0438\u043a\u043e\u0432<\/h3>\n<p>\u041a\u043e\u0433\u0434\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043a\u0443, \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u043d\u0435 \u0432\u0430\u0436\u0435\u043d; \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442, shuffle \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0441\u0442\u043e\u0445\u0430\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c\u0443 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u0443 \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0438 \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u0435\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u044c\u0441\u044f.<\/p>\n<pre><code class=\"python\">from torchvision import datasets, transforms from torch.utils.data import DataLoader  train_ds = datasets.ImageFolder(     root='cats\/train',     transform=transforms.Compose([         transforms.Resize((224, 224)),         transforms.RandomHorizontalFlip(),         transforms.ToTensor()     ]) )  train_loader = DataLoader(     train_ds,     batch_size=32,     shuffle=True,          # \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e!     num_workers=4,     pin_memory=True )<\/code><\/pre>\n<pre><code class=\"python\">val_loader = DataLoader(     val_ds,     batch_size=32,     shuffle=False,        # \u0447\u0442\u043e\u0431 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u043d\u0435 \u00ab\u043f\u043b\u044f\u0441\u0430\u043b\u0438\u00bb     num_workers=4 )<\/code><\/pre>\n<p>\u041d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043d\u0430\u0448\u0435\u0433\u043e \u043a\u043e\u0442\u043e\u043c\u0430\u0440\u043a\u0435\u0442\u0430 \u0432\u0438\u0434\u0438\u043c \u0442\u0440\u0438 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u044f:<\/p>\n<ul>\n<li>\n<p><strong>\u0422\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0435 i.i.d. \u0434\u0430\u043d\u043d\u044b\u0435<\/strong> \u2014 \u043c\u0435\u0448\u0430\u0435\u043c, \u0447\u0442\u043e\u0431\u044b \u0438\u0437\u0431\u0435\u0436\u0430\u0442\u044c \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u0438.<\/p>\n<\/li>\n<li>\n<p><strong>\u0413\u0440\u0443\u043f\u043f\u044b \/ \u0432\u0440\u0435\u043c\u044f<\/strong> \u2014 \u0431\u0435\u0440\u0435\u0436\u0451\u043c \u043f\u043e\u0440\u044f\u0434\u043e\u043a, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0443\u0442\u0435\u0447\u043a\u0430 \u0434\u043e\u0440\u043e\u0436\u0435.<\/p>\n<\/li>\n<li>\n<p><strong>Vision \/ NLP<\/strong> \u2014 \u043c\u0435\u0448\u0430\u0435\u043c \u0432\u043d\u0443\u0442\u0440\u0438 \u044d\u043f\u043e\u0445\u0438, \u043d\u043e \u0434\u0435\u0440\u0436\u0438\u043c \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044e \u0434\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439.<\/p>\n<\/li>\n<\/ul>\n<p>\u0415\u0441\u043b\u0438 \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u0435\u0442\u0435\u0441\u044c \u2014 \u043d\u0435 \u0448\u0435\u0439\u043a\u0430\u0439\u0442\u0435.<\/p>\n<h3>\u0428\u0435\u0439\u043a\u0430\u0442\u044c \u0438\u043b\u0438 \u043d\u0435 \u0448\u0435\u0439\u043a\u0430\u0442\u044c<\/h3>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0422\u0438\u043f \u0434\u0430\u043d\u043d\u044b\u0445 \/ \u0437\u0430\u0434\u0430\u0447\u0430<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0428\u0435\u0439\u043a\u0430\u0442\u044c?<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0421\u043f\u043b\u0438\u0442\u0442\u0435\u0440<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u041a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0439<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0442\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0439 ML<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>train_test_split<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0411\u0430\u0437\u043e\u0432\u0430\u044f \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0430, \u0438\u0437\u0431\u0435\u0433\u0430\u0435\u043c order-bias.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0418\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\/\u0442\u0435\u043a\u0441\u0442\u044b \u0431\u0435\u0437 \u044f\u0432\u043d\u044b\u0445 \u0433\u0440\u0443\u043f\u043f<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>train_test_split<\/code> + <code>stratify<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c \u0431\u0430\u043b\u0430\u043d\u0441 \u043a\u043b\u0430\u0441\u0441\u043e\u0432.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041b\u043e\u0433\u0438 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u0440\u043e\u043a \u043d\u0430 ID<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>GroupShuffleSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0426\u0435\u043b\u043e\u0441\u0442\u043d\u043e\u0441\u0442\u044c \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0430\u0436\u043d\u0435\u0435.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0412\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u0440\u044f\u0434\u044b (\u043f\u0440\u043e\u0433\u043d\u043e\u0437 \u0441\u043f\u0440\u043e\u0441\u0430, \u0444\u0438\u043d\u0430\u043d\u0441\u044b)<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>TimeSeriesSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0425\u0440\u043e\u043d\u043e\u043b\u043e\u0433\u0438\u044f \u0432\u0430\u0436\u043d\u0430.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 hold-out \u0434\u043b\u044f AB-\u0442\u0435\u0441\u0442\u0430<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u041d\u0435\u0442<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>GroupShuffleSplit<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u0435\u0441\u0441\u0438\u0438 \u043d\u0435 \u0434\u043e\u043b\u0436\u043d\u044b \u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u0442\u044c\u0441\u044f.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">Kaggle \u0441 \u0444\u0435\u0439\u043a-ID, \u043d\u043e \u044f\u0432\u043d\u043e\u0439 \u0443\u0442\u0435\u0447\u043a\u0438 \u043d\u0435\u0442<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0421\u043a\u043e\u0440\u0435\u0435 \u0434\u0430<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><code>StratifiedKFold<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0427\u0438\u0442\u0430\u0439\u0442\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u0441\u043e\u0440\u0435\u0432\u043d\u043e\u0432\u0430\u043d\u0438\u044f.<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">Tiny-\u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u2264 100 \u0441\u0442\u0440\u043e\u043a<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>\u0414\u0430, \u043d\u043e \u0444\u0438\u043a\u0441\u0438\u0440\u0443\u0439\u0442\u0435 seed<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041b\u044e\u0431\u043e\u0439<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0412\u0430\u0440\u044c\u0438\u0440\u0443\u0439\u0442\u0435 \u0434\u043e 10-\u043a\u0440\u0430\u0442\u043d\u043e\u0433\u043e CV \u0434\u043b\u044f \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438.<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<hr\/>\n<h3>\u0412\u044b\u0432\u043e\u0434<\/h3>\n<p>\u0415\u0441\u043b\u0438 \u0447\u0443\u0432\u0441\u0442\u0432\u0443\u0435\u0442\u0435 \u0437\u0430\u043f\u0430\u0445 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439 \u0438\u043b\u0438 \u0433\u0440\u0443\u043f\u043f\u043e\u0432\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u2014 \u0443\u0431\u0435\u0440\u0438\u0442\u0435 \u0440\u0443\u043a\u0443 \u043e\u0442 <code>shuffle=True<\/code> \u0438 \u0434\u043e\u0441\u0442\u0430\u043d\u044c\u0442\u0435 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0441\u043f\u043b\u0438\u0442\u0442\u0435\u0440.<\/p>\n<hr\/>\n<p>\u0413\u043e\u0442\u043e\u0432\u0438\u0442\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f\u00a0\u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f? \u0422\u043e\u0433\u0434\u0430 \u0437\u043d\u0430\u0435\u0442\u0435: \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0441\u043f\u043b\u0438\u0442\u00a0\u2014 \u0438 \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442 \u0431\u0443\u0434\u0443\u0449\u0435\u0435, \u00ab\u043f\u043e\u0434\u0433\u043b\u044f\u0434\u044b\u0432\u0430\u0435\u0442\u00bb \u0432\u00a0\u0442\u0435\u0441\u0442 \u0438 \u0432\u00a0\u0438\u0442\u043e\u0433\u0435 \u043f\u0440\u043e\u0432\u0430\u043b\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0432\u00a0\u043f\u0440\u043e\u0434\u0435.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u0430\u043c \u0431\u043b\u0438\u0437\u043a\u0438 \u0442\u0430\u043a\u0438\u0435 \u0442\u0435\u043c\u044b, \u043a\u0430\u043a\u00a0\u043f\u0440\u0435\u0434\u043e\u0442\u0432\u0440\u0430\u0449\u0435\u043d\u0438\u0435 \u0443\u0442\u0435\u0447\u0435\u043a, GroupShuffle, TimeSeriesSplit, \u0447\u0435\u0441\u0442\u043d\u044b\u0435 A\/B\u2011\u0442\u0435\u0441\u0442\u044b \u0438 \u0433\u0440\u0430\u043c\u043e\u0442\u043d\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441\u00a0\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c\u0438 \u0440\u044f\u0434\u0430\u043c\u0438\u00a0\u2014 \u0432 Otus \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0441\u043a\u043e\u0440\u043e \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0435 \u0443\u0440\u043e\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u0435\u043c \u043f\u043e\u0441\u0435\u0442\u0438\u0442\u044c:<\/p>\n<ul>\n<li>\n<p>3\u00a0\u0438\u044e\u043b\u044f \u0432 18:00\u00a0\u2014 <a href=\"https:\/\/otus.pw\/Byqr\/\" rel=\"noopener noreferrer nofollow\">\u00ab\u041a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u0433\u043e\u0442\u043e\u0432\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f\u00a0ML\u2011\u043c\u043e\u0434\u0435\u043b\u0435\u0439?\u00bb<\/a><br \/>\u0420\u0430\u0437\u0431\u0435\u0440\u0451\u0442\u0435\u0441\u044c, \u043a\u0430\u043a\u0438\u0435 \u043e\u0448\u0438\u0431\u043a\u0438 \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0438 \u043c\u0435\u0448\u0430\u044e\u0442 \u0432\u0430\u0448\u0438\u043c \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u00a0\u0431\u044b\u0442\u044c \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u044b\u043c\u0438\u00a0\u2014 \u0438 \u043a\u0430\u043a\u00a0\u044d\u0442\u043e\u0433\u043e \u0438\u0437\u0431\u0435\u0436\u0430\u0442\u044c.<\/p>\n<\/li>\n<li>\n<p>16\u00a0\u0438\u044e\u043b\u044f \u0432 18:00\u00a0\u2014 <a href=\"https:\/\/otus.pw\/4xUT\/\" rel=\"noopener noreferrer nofollow\">\u00abRandom Forest\u00a0\u2014 \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0430\u043d\u0441\u0430\u043c\u0431\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u00a0ML\u00bb<\/a><br \/>\u041d\u0430\u00a0\u043f\u0440\u0438\u043c\u0435\u0440\u0430\u0445 \u0440\u0430\u0437\u0431\u0435\u0440\u0451\u0442\u0435\u0441\u044c, \u043f\u043e\u0447\u0435\u043c\u0443 \u0434\u0430\u0436\u0435 \u0441\u0430\u043c\u044b\u0435 \u0441\u0438\u043b\u044c\u043d\u044b\u0435 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u043d\u0435\u00a0\u0441\u043f\u0430\u0441\u0443\u0442, \u0435\u0441\u043b\u0438 \u0432\u00a0train \u0443\u0442\u0435\u043a\u0430\u0435\u0442 test.<\/p>\n<\/li>\n<\/ul>\n<p><em>\u0425\u043e\u0442\u0438\u0442\u0435 \u0431\u043e\u043b\u044c\u0448\u0435? \u0417\u0430\u0433\u043b\u044f\u043d\u0438\u0442\u0435 \u0432 <\/em><a href=\"https:\/\/otus.pw\/ztYL\/\" rel=\"noopener noreferrer nofollow\"><em>\u043a\u0430\u0442\u0430\u043b\u043e\u0433 \u043a\u0443\u0440\u0441\u043e\u0432<\/em><\/a><em>\u00a0\u2014 \u0442\u0430\u043c \u0435\u0441\u0442\u044c \u0432\u0441\u0451: \u043e\u0442\u00a0ML\u2011\u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0434\u043e\u00a0\u043f\u0440\u043e\u0434\u0432\u0438\u043d\u0443\u0442\u043e\u0433\u043e Python.<\/em><\/p>\n<p><em>\u0410\u00a0\u0447\u0442\u043e\u0431\u044b \u043d\u0438\u0447\u0435\u0433\u043e \u043d\u0435\u00a0\u043f\u0440\u043e\u043f\u0443\u0441\u0442\u0438\u0442\u044c, \u0434\u043e\u0431\u0430\u0432\u044c\u0442\u0435 <\/em><a href=\"https:\/\/otus.pw\/BK4nX\/\" rel=\"noopener noreferrer nofollow\"><em>\u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044c \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0443\u0440\u043e\u043a\u043e\u0432<\/em><\/a><em>\u00a0\u2014 \u043f\u0443\u0441\u0442\u044c \u043e\u043d \u043d\u0430\u043f\u043e\u043c\u043d\u0438\u0442 \u0432\u0430\u043c, \u043a\u043e\u0433\u0434\u0430 \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0438\u0442\u044c\u0441\u044f \u043a\u00a0\u0442\u0440\u0430\u043d\u0441\u043b\u044f\u0446\u0438\u0438.<\/em><\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/921526\/\"> https:\/\/habr.com\/ru\/articles\/921526\/<\/a><br \/><\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-465458","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/465458","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=465458"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/465458\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=465458"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=465458"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=465458"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}