贪心科技机器学习训练营（四）

先把来源写上

来源：贪心学院，https://www.zhihu.com/people/tan-xin-xue-yuan/activities

这次回归

之前写过关于平安股票的，竟然没想到是同一个案例

平安股票分析

说明下这个模型是没用的

import numpy as np # 数学计算
import pandas as pd # 数据处理, 读取 CSV 文件 (e.g. pd.read_csv)
import matplotlib.pyplot as plt
from datetime import datetime as dt

# 你可以使用如下的方法下载某一个公司的股票交易历史
# 000001 为平安银行
# 如果你还没有安装, 可以使用 pip install tushare 安装tushare python包
# import tushare as ts
# df = ts.get_hist_data('000001')
# print(df)
# df.to_csv('000001.csv')

df = pd.read_csv('./000001.csv')

print(np.shape(df))
df.head()

(611, 14)

	date	open	high	close	low	volume	price_change	p_change	ma5	ma10	ma20	v_ma5	v_ma10	v_ma20
0	2019-05-30	12.32	12.38	12.22	12.11	646284.62	-0.18	-1.45	12.366	12.390	12.579	747470.29	739308.42	953969.39
1	2019-05-29	12.36	12.59	12.40	12.26	666411.50	-0.09	-0.72	12.380	12.453	12.673	751584.45	738170.10	973189.95
2	2019-05-28	12.31	12.55	12.49	12.26	880703.12	0.12	0.97	12.380	12.505	12.742	719548.29	781927.80	990340.43
3	2019-05-27	12.21	12.42	12.37	11.93	1048426.00	0.02	0.16	12.394	12.505	12.824	689649.77	812117.30	1001879.10
4	2019-05-24	12.35	12.45	12.35	12.31	495526.19	0.06	0.49	12.396	12.498	12.928	637251.61	781466.47	1046943.98

股票数据的特征

date：日期
open：开盘价
high：最高价
close：收盘价
low：最低价
volume：成交量
price_change：价格变动
p_change：涨跌幅
ma5：5日均价
ma10：10日均价
ma20:20日均价
v_ma5:5日均量
v_ma10:10日均量
v_ma20:20日均量

# 将每一个数据的键值的类型从字符串转为日期df['date'] = pd.to_datetime(df['date'])
df = df.set_index('date')
# 按照时间升序排列
df.sort_values(by=['date'], inplace=True, ascending=True)
df.tail()

	open	high	close	low	volume	price_change	p_change	ma5	ma10	ma20	v_ma5	v_ma10	v_ma20
date
2019-05-24	12.35	12.45	12.35	12.31	495526.19	0.06	0.49	12.396	12.498	12.928	637251.61	781466.47	1046943.98
2019-05-27	12.21	12.42	12.37	11.93	1048426.00	0.02	0.16	12.394	12.505	12.824	689649.77	812117.30	1001879.10
2019-05-28	12.31	12.55	12.49	12.26	880703.12	0.12	0.97	12.380	12.505	12.742	719548.29	781927.80	990340.43
2019-05-29	12.36	12.59	12.40	12.26	666411.50	-0.09	-0.72	12.380	12.453	12.673	751584.45	738170.10	973189.95
2019-05-30	12.32	12.38	12.22	12.11	646284.62	-0.18	-1.45	12.366	12.390	12.579	747470.29	739308.42	953969.39

# 检测是否有缺失数据 NaNsdf.dropna(axis=0 , inplace=True)
df.isna().sum()

open            0
high            0
close           0
low             0
volume          0
price_change    0
p_change        0
ma5             0
ma10            0
ma20            0
v_ma5           0
v_ma10          0
v_ma20          0
dtype: int64

K线图

Min_date = df.index.min()
Max_date = df.index.max()
print ("First date is",Min_date)
print ("Last date is",Max_date)
print (Max_date - Min_date)

First date is 2016-11-29 00:00:00
Last date is 2019-05-30 00:00:00
912 days 00:00:00

plotly画图

from plotly import tools
from plotly.graph_objs import *
from plotly.offline import init_notebook_mode, iplot, iplot_mpl
init_notebook_mode()
import plotly.plotly as py
import plotly.graph_objs as gotrace = go.Ohlc(x=df.index, open=df['open'], high=df['high'], low=df['low'], close=df['close'])
data = [trace]
iplot(data, filename='simple_ohlc')

from sklearn.linear_model import LinearRegression
from sklearn import preprocessing
# 创建新的列, 包含预测值, 根据当前的数据预测5天以后的收盘价
num = 5 # 预测5天后的情况
df['label'] = df['close'].shift(-num) # 预测值print(df.shape)
df.head(6)

# 丢弃 'label', 'price_change', 'p_change', 不需要它们做预测
Data = df.drop(['label', 'price_change', 'p_change'],axis=1)
Data.tail()

X = Data.values
# 0 到 1
X = preprocessing.scale(X)
# 后面5个不要
X = X[:-num]df.dropna(inplace=True)
Target = df.label
y = Target.valuesprint(np.shape(X), np.shape(y))
# (606, 11) (606,)

# 将数据分为训练数据和测试数据
X_train, y_train = X[0:550, :], y[0:550]
X_test, y_test = X[550:, -51:], y[550:606]
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)(550, 11)
(550,)
(56, 11)
(56,)

lr = LinearRegression()
lr.fit(X_train, y_train)
lr.score(X_test, y_test) # 使用绝对系数 R^2 评估模型# 0.04930040648385525非常的垃圾，所以个人认为毫无意义

打广告，欢迎关注毛利学python

贪心科技机器学习训练营（四）相关推荐

近期活动盘点：高级机器学习训练营、基于神经网络的代码自动生成” “开放学术图谱”、西山金融科技产业创新论坛...
想知道近期有什么最新活动?大数点为你整理的近期活动信息在此: 清华唐杰教授授课高级机器学习训练营我们都知道随着数据复杂度的不断提高,经典机器学习算法已经很难满足实际需求,当前,针对复杂数据对象.复 ...
机器学习训练营-基于XGBoost的分类预测学习笔记
文章目录前言一.学习知识点概要二.学习内容 1 XGBoost的应用及优缺点 1.1 XGBoost的应用 1.2 XGBoost的优缺点 2 基于天气数据集的XGBoost分类实战 2.1 目 ...
重修-龙珠计划机器学习训练营task3-LightGBM学习笔记
文章标题:龙珠计划机器学习训练营task3-LightGBM学习笔记一.学习知识点概要 LightGBM是2017年由微软推出的可扩展机器学习系统,是微软旗下DMKT的一个开源项目,由2014年首届 ...
机器学习训练营--快来一起挖掘幸福感吧
文章目录前言一.赛题理解 1.1 实验环境 1.2 背景介绍 1.3 数据信息 1.4 评价指标二.探索性数据分析(EDA)& 特征工程 2.1 为什么要做探索性数据分析 2.2 探索性 ...
龙珠机器学习训练营-LightGBM笔记
本学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容,学习链接为:添加链接描述 1.学习知识点概要了解 LightGBM 的参数与相关知识: 掌握 LightGBM 的Python调用并将其运用到 ...
龙珠机器学习训练营机器学习基础知识笔记
本学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容,学习链接为:添加链接描述学习知识点概要 1.了解逻辑回归的理论 2.掌握逻辑回归的 sklearn 函数调用使用并将其运用到鸢尾花数据 ...
重修-龙珠计划机器学习训练营task1-part2学习笔记
文章标题:龙珠计划机器学习训练营task1-part2学习笔记一.学习知识点概要利用鸢花数据(iris)进行逻辑回归方法的训练,该数据集一共包含5个变量,其中4个特征变量,1个目标分类变量.共有1 ...
Coursera公开课笔记: 斯坦福大学机器学习第四课“多变量线性回归(Linear Regression with Multiple Variables)”
Coursera公开课笔记: 斯坦福大学机器学习第四课"多变量线性回归(Linear Regression with Multiple Variables)" 斯坦福大学机器学习第 ...
招募 | 贪心科技招募CV、语音分析、联邦学习课程讲师（在线+兼职）
贪心科技作为中国领先的AI人才战略服务商,面向企业和个人提供以"内容+技术+平台"为核心的人才服务解决方案. 面向企业,我们提供以"解决行业AI业务问题"为目标 ...
斯坦福大学机器学习第四课“逻辑回归(Logistic Regression)”
斯坦福大学机器学习第四课"逻辑回归(Logistic Regression)" 本次课程主要包括7部分: 1) Classification(分类) 2) Hypothesis R ...

贪心科技机器学习训练营（四）

说明下这个模型是没用的

K线图

plotly画图

打广告，欢迎关注毛利学python

贪心科技机器学习训练营（四）相关推荐

最新文章

热门文章