Time Series Cross-Validation 2026: Rolling & Expanding Window Teknikleri ile Hataları Önleyin

Kayan Pencere (Rolling Window) Uygulaması

Zaman serisi verileri, geçmişten geleceğe doğru akar. Bu nedenle, rastgele veri bölme yöntemleri — yani klasik k-katlı çapraz doğrulama — tamamen hatalıdır. Çünkü gelecekteki veriyi geçmişteki veriyle eğitmek, gerçek dünya senaryolarını tamamen çarpıtır. Bir hisse senedi fiyatı, hava durumu verisi ya da enerji tüketimi tahmini yaparken, 2025’in verisini 2020’den öğrenmeye çalışmak, bir arabanın arka tekerleğini öne bağlamak gibidir: teknik olarak mümkün, ama işe yaramaz. Time Series Cross-Validation, bu hatayı düzeltmenin tek yoludur.

Kayan pencere, sabit bir eğitim aralığı ile her adımda bir sonraki periyodu tahmin eder. Örneğin: 2021-2023 verisiyle 2024’ü, sonra 2022-2024 ile 2025’i tahmin etmek. Finansal ve yüksek dinamikli verilerde tercih edilir çünkü piyasa koşulları hızlı değişir. Python’da sktime kütüphanesinde RollingWindowSplitter ile kolayca uygulanabilir.

Genişleyen Pencere (Expanding Window) Python Kodu

Genişleyen pencere, eğitim seti her adımda büyürken test seti sabit kalır. 2020’den 2021’e, sonra 2020-2021’den 2022’ye, ardından 2020-2022’den 2023’e kadar ilerler. İklim ve tedarik zinciri verilerinde uzun vadeli trendleri yakalamak için idealdir. sktime’de ExpandingWindowSplitter ile otomatikleştirilebilir.

Data Leakage’ı Nasıl Önlersiniz?

Veri sızıntısı (data leakage), en sık yapılan ve en tehlikeli hatalardır. Normalleştirme, eksik veri doldurma veya ölçekleme işlemleri yalnızca eğitim seti üzerinde yapılmalı, öğrenilen parametreler test setine uygulanmalıdır. Aksi halde modeliniz sahte performans gösterir. Time Series Cross-Validation uygularken her adım için geçmişe ait verilerle işlemler yapın.

2026’da Time Series Cross-Validation: Dinamik Horizon ve Gerçek Dünya Etkileri

2026’da en ileri uygulamalar, sadece bir sonraki periyodu değil, 3, 7 veya 30 gün öncesini aynı anda tahmin eden dynamic horizon modellerine geçiş yapmıştır. Bir elektrik şirketi, yarınki tüketimle birlikte haftanın sonuna kadar olan tahmini aynı anda optimize edebilmeli. Bu, Time Series Cross-Validation’un temel prensiplerine dayanır: zaman sıralamasını korumak.

Time Series Split: Scikit-learn ile Pratik Uygulama

Scikit-learn’deki TimeSeriesSplit sınıfı, basit ve etkili bir çözüm sunar. Eğitim ve test setlerini zaman sırasına göre otomatik böler. Ancak sadece kod değil, işletme mantığı da önemlidir: %92 doğruluk, geçmişe ait örüntüye dayanıyorsa, gelecekte başarısız olur.

Stanford Araştırması: Klasik Yöntemlerin Fiyatı

2024’te Stanford, 1.200 zaman serisi modelinin %63’ünün klasik doğrulama yöntemleriyle değerlendirildiğini ve gerçek dünyada %40 daha düşük performans gösterdiğini kanıtladı. Bu, teknik bir hata değil, stratejik bir kargaşa demektir. Kurumlar, yanlış doğrulama ile milyonlarca dolarlık karar veriyor. Time Series Cross-Validation, bu kararların güvenilirliğini sağlar.

Time Series Cross-Validation, yalnızca bir teknik değil, bir felsefedir: Geleceği tahmin etmek için geçmişe bakmak, ama geçmişin tümünü aynı anda kullanmak değil — adım adım, zamanın akışına uygun olarak. 2026’da veri bilimi, artık sadece algoritmalarla değil, zamanın mantığıyla ölçülüyor. Time Series Cross-Validation, bu mantığın en temel taşıdır. Onu anlamak, sadece bir modeli doğru değerlendirmek değil, gerçek dünyadaki kararları doğru yapmak demektir.