How is the model trained and tested? Why doesn’t my model completely match the historical data?

Le modèle est construit, ou "entraîné", sur un ensemble de données d'entraînement qui est un sous-ensemble de l'ensemble de données original que vous sélectionnez. Kraken divise automatiquement votre ensemble de données de manière aléatoire et effectue une validation croisée en cinq parties. Les prédictions sont faites avec chaque ligne de données dans l'ensemble de données de test et comparées au résultat réel, produisant les mesures de précision avec lesquelles les modèles sont évalués. Il peut sembler légèrement contre-intuitif que le modèle ne puisse pas obtenir un résultat complètement correct par rapport aux données historiques – après tout, ces événements ont déjà eu lieu. Tout cela signifie vraiment que le modèle ne prédit pas avec une précision de 100 %, donc certaines des "prédictions" (sur un point de données historique) ne correspondent pas à ce qui s'est réellement passé. Ce n'est pas nécessairement une mauvaise chose ; en fait, tout modèle qui prédit avec une précision de 100 % contre l'ensemble de données de test devrait au moins être examiné plus en profondeur pour voir si un surapprentissage ou d'autres erreurs peuvent se produire.