Validar una predicción exige respetar el tiempo: qué deja fuera el parámetro gap
TimeSeriesSplit separa observaciones ordenadas y permite excluir muestras entre entrenamiento y prueba. Ese hueco no corrige automáticamente una variable que usa información futura.
Un modelo destinado a predecir datos futuros necesita una evaluación que reproduzca qué información habría estado disponible en el momento de predecir. La documentación de TimeSeriesSplit en scikit-learn explica que otras particiones pueden llevar a entrenar con datos futuros y evaluar sobre pasados. Su propuesta devuelve índices que conservan el orden temporal y amplía sucesivamente los conjuntos de entrenamiento.
El parámetro gap indica cuántas muestras se excluyen al final de cada conjunto de entrenamiento antes de la prueba. Es un número de muestras, no una duración expresada automáticamente en horas o días. Para comparar métricas entre particiones, la documentación requiere muestras igualmente espaciadas, de modo que los bloques de prueba cubran intervalos de tiempo comparables.
Ejemplo propio esquemático, sin entrenar un modelo: se aprende con registros diarios de lunes a jueves, se deja el viernes como separación y se evalúa sábado y domingo. Ese hueco representa una muestra si existe un registro por día. Con registros irregulares, contar una fila ya no asegura dejar un día entero. El ejemplo no prescribe un tamaño de hueco adecuado a cualquier problema.
Antes de aplicar la partición proponemos revisar cuándo se conoce cada variable y cuándo se completa el resultado que se quiere predecir. Una característica calculada con información posterior a la fecha de predicción seguirá siendo problemática aunque se ordenen las filas. Separar los datos es una parte del diseño de la evaluación; no certifica que todo el proceso esté libre de filtraciones. Aquí no se presentan métricas ni pruebas de rendimiento realizadas.