在时间序列数据分类中，是否需要对同一模型进行不同的调整，以适应不同的窗口大小？

Question

我目前正致力于时间序列数据分类问题的深入学习。众所周知，在时间序列中，我们通过被称为窗口的模型对时间序列数据进行一次一次的处理。我们滑动窗口，下一个窗口又是我们的输入。由于我刚刚开始从事深度学习和时间序列领域的工作，我的问题是，如果我们对某个深度学习模型进行某些窗口大小的调优，那么如果使用相同的调优模型来获得相同数据上的一些不同窗口(例如15)的精度，或者模型应该再次对后一个窗口进行调优。

目前，如果我使用相同的模型为不同的窗口，然后我得到的准确性下降了4-5%，比前一个窗口。由此，我再次相信窗口大小是一个超参数，当更改该参数时，需要再次对模型进行调整。

那么，在这种情况下什么才是正确的呢？是否应该使用相同的模型，还是应该再次调整？我试着在网上搜索，但找不到任何帮助。帮助是非常感谢的，因为我是这个领域的新手。

Answer 1

在我看来，应该再调整一次。

推理：

使用不同的窗口大小几乎等同于使用不同的特性(如在非时间序列建模中)。调优超参数通常是在特征被选择之后(即为给定的一组特征)进行的。