Mise à l'échelle des données et régression KNN

Machine Learning pour la finance en Python

Nathan George

Data Science Professor

importances des variables

Sélection de variables : retirer les jours de semaine

print(feature_names)

['10d_close_pct',
 '14-day SMA',
 '14-day RSI',
 '200-day SMA',
 '200-day RSI',
 'Adj_Volume_1d_change',
 'Adj_Volume_1d_change_SMA',
 'weekday_1',
 'weekday_2',
 'weekday_3',
 'weekday_4']

print(feature_names[:-4])

['10d_close_pct',
 '14-day SMA',
 '14-day RSI',
 '200-day SMA',
 '200-day RSI',
 'Adj_Volume_1d_change',
 'Adj_Volume_1d_change_SMA']

Retirer les jours de semaine

train_features = train_features.iloc[:, :-4]
test_features = test_features.iloc[:, :-4]

nuage 2D des variables

prédiction knn inconnue

prédiction knn avec 2 plus proches points

distance de Minkowski

grandes et petites variables

Options de mise à l'échelle

Options de mise à l'échelle :

min-max
standardisation
médiane-MAD
application d'une fonction (p. ex. sigmoid, tanh)

nuages 2D avant et après mise à l'échelle

scale de sklearn

from sklearn.preprocessing import scale

sc = scale()
scaled_train_features = sc.fit_transform(train_features)
scaled_test_features = sc.transform(test_features)

avant et après standardisation

Créer des sous-graphiques

# create figure and list containing axes
f, ax = plt.subplots(nrows=2, ncols=1)

# plot histograms of before and after scaling
train_features.iloc[:, 2].hist(ax=ax[0])
ax[1].hist(scaled_train_features[:, 2])
plt.show()

Échelonnez les données et utilisez KNN !

Machine Learning pour la finance en Python