Daten skalieren und KNN-Regression

Maschinelles Lernen für Finanzen in Python

Nathan George

Data Science Professor

Feature-Wichtigkeiten

Feature-Auswahl: Wochentage entfernen

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']

Wochentage entfernen

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

2D-Feature-Plot

KNN-Vorhersage unbekannt

KNN-Vorhersage mit 2 nächsten Punkten

Minkowski-Distanz

großes und kleines Feature

Skalierungsoptionen

Skalierungsoptionen:

Min-Max
Standardisierung
Median-MAD
auf beliebige Funktion abbilden (z. B. Sigmoid, tanh)

2D-Feature-Plots vor und nach Skalierung

sklearn: scale

from sklearn.preprocessing import scale

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

vor und nach der Standardisierung

Subplots erstellen

# 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()

Daten skalieren und KNN nutzen!

Maschinelles Lernen für Finanzen in Python