问为什么我得到一个几乎完美的拟合以及偏差方差权衡我的时间序列预测？

EN

为了实现可扩展和健壮的时间序列预测模型，我目前正在试验金属制造组件。注意，我也在使用全局建模方法，所以所有的时间序列都在从另一个时间序列中“学习”。在我的例子中，我想预测未来一年12个零售产品的月度需求(4年的培训数据)，我还选择了不同的数据集来测试以下内容。

作为基本模型，我用6种不同的学习率( 0.001 ~ 0.65 )拟合了6个XGBoost模型。我没有调优的其他参数(欧洲代码库默认设置)。对于金属获取器，我还使用了具有以下调优网格的XGBoost模型：

注意，我为eta参数选择了一个很小的范围！

网格搜索的结果是mtry = 16，min_n = 13，tree_depth =7，学习率为0.262。树被设置为1000，早期停止参数设置为50次迭代。

然而，我认为我的结果太好了，不可能是真实的(现实的)。下面，您可以从我的预测中看到典型的准确性结果：

正如你所看到的，事后预测的线(样本外测试集上的训练预测)几乎完全符合实际值。还有一个几乎完美的偏差，方差权衡。这似乎很奇怪，因为在现实世界的问题上应该很难做到这一点。

现在我在问自己，这种方法到底是我所需要的，还是这个？