样本内预测和样本外预测的区别在于它们如何根据训练和测试中使用的数据来评估模型的性能。 样本内预测使用训练模型所用的相同数据集来评估模型的准确性，而样本外预测则在新数据或未见过的数据上测试模型。 这种区别对于理解模型是否可以推广到未来的观察结果或者模型是否过度拟合历史模式至关重要。
样本内预测涉及在数据集上训练模型，然后使用相同的数据集来生成预测。 例如，如果你拟合一个线性回归模型来预测 2010 年到 2020 年的月销售额数据，那么样本内预测将预测这些相同年份的销售额。 在这里计算出的 R 平方或均方误差 (MSE) 等指标反映了模型对训练数据的拟合程度。 但是，这种方法有过度拟合的风险——模型会记住训练数据中的噪声或不相关的模式。 高样本内准确性并不能保证模型在新数据上表现良好。 例如，一个复杂的神经网络可能获得接近完美的样本内结果，但无法准确预测下个月的销售额，因为它太适合过去的趋势。
样本外预测评估模型在训练期间未见过的数据上的性能。 这通常通过将数据集分为训练期（例如，2010 年至 2018 年）和测试期（例如，2019 年至 2020 年）来完成。 对于时间序列数据，拆分必须尊重时间顺序以避免数据泄漏。 例如，在 2010 年至 2018 年数据上训练的 ARIMA 模型将预测 2019 年至 2020 年的销售额，并且其准确性指标将反映真实世界的性能。 样本外测试有助于识别过度拟合，并确保模型捕获可推广的模式。 开发人员经常使用交叉验证（尽管要注意时间依赖性数据）或保留集等技术来模拟看不见的情况。 这种方法更接近于模型在生产中的运作方式，在这种运作方式中，预测是针对未来或未知的数据点进行的。
开发人员的实际意义：理解这种区别对于模型评估和部署至关重要。 在构建预测系统时，开发人员应优先进行样本外测试以验证稳健性。 对于时间序列，使用滚动窗口验证等方法而不是随机拆分来保留时间结构。 避免仅仅依赖于可能具有误导性的样本内指标。 例如，如果一个股票价格模型的样本内准确度为 99%，但未经受过看不见的市场机制的测试，则在实时交易中可能会发生灾难性故障。 始终保留一部分数据用于样本外测试，并在部署后监控性能以检测概念漂移。 这可确保模型在条件变化时保持可靠。