Time-based Split：為什麼時間序列資料不能使用 Random Split？
為什麼資料切分方式很重要？
在機器學習的模型訓練流程中，一個非常基本但關鍵的步驟就是 資料切分（data splitting）。
通常我們會將資料分成 Training set（訓練資料） 與 Test set（測試資料），藉此評估模型在未見過資料上的表現。
在許多教學或範例中，你可能會看到類似下面的寫法：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
這種方式稱為 Random Split（隨機切分）。
它會隨機抽取資料作為訓練集與測試集，在很多問題中確實是合理的做法。
然而，一旦資料具有 時間順序（temporal order），例如：
- 金融交易紀錄
- 使用者行為資料
- IoT 感測資料
- 網站流量
- 股票價格
此時如果仍然使用 Random Split，模型評估就可能出現嚴重的問題。
這也是為什麼在時間相關的資料問題中，我們通常會使用 Time-based Split。
什麼是 Time-based Split？
Time-based Split（時間切分） 指的是依照資料發生的時間順序來切分資料，而不是隨機抽樣。
最基本的概念非常直覺：
使用「過去資料」訓練模型，並用「未來資料」進行測試。
例如，假設我們有一份交易資料：
| date | transaction_id | amount | label |
|---|---|---|---|
| 2022-01 | T1 | 100 | 0 |
| 2022-02 | T2 | 200 | 0 |
| 2022-03 | T3 | 500 | 1 |
| 2022-04 | T4 | 150 | 0 |
| 2022-05 | T5 | 900 | 1 |
如果我們使用 Time-based Split，資料切分可能會像這樣：
Training set: 2022-01 ~ 2022-03
Test set: 2022-04 ~ 2022-05
換句話說：
過去 → 用來訓練模型
未來 → 用來評估模型
這樣的切分方式更符合真實世界中模型的使用情境。
為什麼不能使用 Random Split？
如果在時間資料中使用 Random Split，會產生一個常見問題：
Future Data Leakage（未來資料洩漏）
我們來看一個簡單的例子。
假設你的資料是：
2022-01 2022-02 2022-03 2022-04 2022-05
如果使用 Random Split，資料可能會變成：
Training set: 2022-01 2022-04 2022-05
Test set: 2022-02 2022-03
這代表一件非常不合理的事情：
模型在訓練時看到了 2022-05 的資料， 卻被要求預測 2022-02 的資料。
換句話說：
模型在訓練過程中已經看到了「未來」。
這種情況在真實世界中是不可能發生的，因此模型的評估結果會被 嚴重高估（overly optimistic）。
在金融詐欺偵測、信用風險評估、需求預測等問題中，這種錯誤可能會讓模型在離線測試時看起來非常準確，但實際部署後卻表現很差。
Time-based Split 的實作方式
在 Python 中，最簡單的方式就是直接依照時間排序後切分資料。
df = df.sort_values("date")
train_size = int(len(df) * 0.8)
train = df.iloc[:train_size]
test = df.iloc[train_size:]
這樣就可以確保：
train → 較早的資料
test → 較晚的資料
如果使用 scikit-learn，也可以使用專門為時間資料設計的工具：
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits=5)
for train_index, test_index in tscv.split(X):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
TimeSeriesSplit 會模擬「模型隨時間不斷更新」的情境，因此在時間序列問題中非常常見。
Rolling Window 與 Expanding Window
在實務中，Time-based Split 常常會搭配兩種訓練策略。
Expanding Window
Expanding Window 指的是 訓練資料會隨時間持續增加。
例如：
Train: 2018
Test : 2019
Train: 2018–2019
Test : 2020
Train: 2018–2020
Test : 2021
這種方式模擬的是：
模型會不斷累積歷史資料進行重新訓練。
Rolling Window
Rolling Window 則是 訓練資料維持固定長度。
例如：
Train: 2018–2019
Test : 2020
Train: 2019–2020
Test : 2021
這種方式通常用在：
- 市場環境快速變化
- 舊資料不再具有代表性
例如金融市場或使用者行為分析。
Time-based Split 在金融資料中的重要性
在金融資料科學領域，例如：
- 信用卡詐欺偵測
- 反洗錢（AML）
- 信用風險模型
- 客戶流失預測
資料幾乎都具有強烈的 時間依賴性。
例如在詐欺偵測中：
- 詐欺模式會不斷改變
- 攻擊者策略會持續演化
- 新型詐欺手法會出現
如果模型在訓練時看到了未來資料，就會造成評估結果過於樂觀，進而導致模型在實際上線後無法有效偵測新的詐欺行為。
因此在金融風控領域中，Time-based Split 幾乎是標準做法。
結論
Time-based Split 是處理具有時間順序資料時最重要的資料切分方法之一。
與 Random Split 不同，它會依照資料的時間順序進行切分，確保模型只使用「過去資料」來預測「未來資料」。
這樣的設計可以有效避免 Future Data Leakage（未來資料洩漏），並讓模型評估結果更接近真實世界的表現。
當你在處理金融交易、使用者行為或任何時間序列資料時，選擇正確的資料切分方式，往往比模型本身的複雜度還要重要。理解並正確使用 Time-based Split，能夠大幅提升機器學習模型評估的可靠性。
參考資料
- Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, O’Reilly.
- scikit-learn documentation – TimeSeriesSplit
- Kuhn & Johnson, Feature Engineering and Selection, CRC Press.