Ajusta los parámetros para ver cómo evolucionan las ventanas de entrenamiento y prueba a lo largo del tiempo. Cada bloque representa un año del intervalo seleccionado.
Trabajar con ventanas más pequeñas (por ejemplo, media temporada o año) implica más iteraciones, pero puede mejorar el rendimiento de los modelos al incorporar información más reciente. Si reducimos el tamaño del bloque, debemos aumentar el número de bloques en los conjuntos de entrenamiento y prueba.
Nota: El primer bloque se utiliza de forma equivalente a la validación cruzada (para obtener una estimación robusta del rendimiento), es decir, para evaluar muchas versiones de nuestros modelos y seleccionar la mejor (optimización de hiperparámetros, selección de variables, etc.).
El bloque de evaluación final debe usarse solo para conocer el rendimiento final del modelo (o los modelos) seleccionados, de esta forma evitamos el sobreajuste que se haya podido producir durante la optimización.