Neural networks

Machine Learning voor finance in Python

Nathan George

Data Science Professor

GPU wet van Moore

Neural networks hebben potentie

Neurale netten hebben:

niet-lineariteit
variabele interacties
aanpasbaarheid

basisdiagram neuraal netwerk

netwerkdiagram met basiswiskunde

neuraal netwerk wiskunde

activatie neuraal netwerk diagram

activatiefunctie

verliesfunctie

forward pass

backwards pass

keras- en tensorflow-logo's

Een neuraal netwerk bouwen met keras

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Een neuraal netwerk bouwen met keras

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense


model = Sequential()

model.add(Dense(50,
                input_dim=scaled_train_features.shape[1],
                activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='linear'))

Het model fitten

model.compile(optimizer='adam', loss='mse')
history = model.fit(scaled_train_features, 
                    train_targets, 
                    epochs=50)

plt.plot(history.history['loss'])
plt.title('loss:' + str(round(history.history['loss'][-1], 6)))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

verlies-plot

Prestatie bekijken

from sklearn.metrics import r2_score

# calculate R^2 score
train_preds = model.predict(scaled_train_features)
print(r2_score(train_targets, train_preds))

0.4771387560719418

Prestatie plotten

# plot predictions vs actual
plt.scatter(train_preds, train_targets)
plt.xlabel('predictions')
plt.ylabel('actual')
plt.show()

voorspellingen vs werkelijk

Bouw een neuraal netwerk!

Machine Learning voor finance in Python