Veriyi ölçekleme ve KNN Regresyon

Python ile Finans için Machine Learning

Nathan George

Data Science Professor

özellik önemleri

Özellik seçimi: hafta içlerini kaldır

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']

Hafta içlerini kaldır

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

2B özellik grafiği

bilinmeyen için knn tahmini

2 en yakın noktayla knn tahmini

minowski mesafesi

büyük ve küçük özellik

Ölçekleme seçenekleri

Ölçekleme seçenekleri:

min-max
standardizasyon
medyan-MAD
keyfi bir fonksiyona eşle (örn. sigmoid, tanh)

ölçekleme öncesi ve sonrası 2B özellik grafikleri

sklearn'in scale'ı

from sklearn.preprocessing import scale

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

standardizasyon öncesi ve sonrası

Alt grafikler oluşturma

# 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()

Veriyi ölçekle ve KNN kullan!

Python ile Finans için Machine Learning