---
title: "時系列データの交差検証はなぜNG？【未来情報とデータリーケージ｜G検定対策】"
description: "時系列データの交差検証はなぜNGについて、G検定で問われるモデル評価分野の観点から、指標の意味、計算の考え方、モデル評価で何を判断するかを整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/time-series-cross-validation/"
section: "gk"
---

## まず結論
- **時系列データでは通常の交差検証（k分割CV）は使えない。**
- 理由は、**未来の情報が学習に混入する（データリーケージ）から**。
- G検定では「**時間の順序を壊していないか**」が判断基準。

## 直感的な説明
時系列データは、  
**過去 → 現在 → 未来**  
という「順番」に意味があります。

通常の交差検証は👇  
- データをランダムに分割  
- 学習と検証を入れ替える  

👉 これを時系列でやると  
**未来を見てから過去を予測する**  
という不正な状況が起きます。

## 定義・仕組み
### 通常の交差検証（k-fold CV）
- データの順序を考慮しない
- ランダムに分割
- すべてのデータが検証に使われる

👉 **時系列には不向き**

---

### なぜ時系列ではNGか
- 検証データに含まれる未来の情報が
- 学習データ側に入ってしまう
- 結果として **評価が過剰に良くなる**

👉 **典型的なデータリーケージ**

## いつ使う？（得意・不得意）
### 通常CVが使える
- 画像データ
- テキスト分類
- データの順序に意味がない場合

### 通常CVが使えない
- 時系列データ
  - 株価
  - 売上
  - センサーデータ
  - ログデータ

## G検定ひっかけポイント
ここが頻出 👇

### ❌ 時系列でもデータが多ければCV可能
- **誤り**
- データ量の問題ではない

### ❌ 時系列CVは精度が高くなるので良い
- **誤り**
- 高くなるのは **評価が壊れているだけ**

### ⭕ 正しい判断
- 時間の流れを壊す → NG
- 未来情報が混入 → データリーケージ

## 正しい代替手法
### 時系列交差検証（Time Series Split）
- 過去データで学習
- 未来データで検証
- 時間順を必ず守る

例：
- 学習：1〜100日  
- 検証：101〜120日  

👉 **未来を一切見ない**

## まとめ（試験直前用）
- 通常CVは時系列ではNG
- 理由は未来情報の混入
- 時系列＝順序が命
- 評価が良く見えたら疑う
- 「未来を見ていないか？」が判断軸