¿Cómo se entrena y prueba el modelo? ¿Por qué mi modelo no coincide completamente con los datos históricos?

El modelo se construye, o "entrena", en un conjunto de datos de entrenamiento que es un subconjunto del conjunto de datos original que seleccionas. Kraken divide automáticamente tu conjunto de datos al azar y realiza una validación cruzada de cinco pliegues. Se hacen predicciones con cada fila de datos en el conjunto de datos de prueba y se comparan con el resultado real, produciendo las medidas de precisión con las que se califican los modelos. Puede parecer un poco contradictorio que el modelo no pueda acertar completamente con los datos históricos; después de todo, esos eventos ya ocurrieron. Todo lo que realmente significa es que el modelo no está prediciendo con un 100% de precisión, por lo que algunas de las "predicciones" (en un punto de datos histórico) no coinciden con lo que realmente sucedió. Esto no es necesariamente algo malo; de hecho, cualquier modelo que prediga con un 100% de precisión contra el conjunto de datos de prueba debería al menos ser examinado más a fondo para ver si puede estar ocurriendo sobreajuste u otros errores.