Scalare i dati e KNN Regression

Machine Learning per la finanza in Python

Nathan George

Data Science Professor

importanza delle feature

Selezione feature: rimuovere i giorni della settimana

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']

Rimuovere i giorni della settimana

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

grafico 2D delle feature

previsione knn sconosciuta

previsione knn con 2 punti più vicini

distanza di Minkowski

feature grandi e piccole

Opzioni di scaling

Opzioni di scaling:

min-max
standardizzazione
mediana-MAD
mappare a funzione arbitraria (es. sigmoid, tanh)

grafici 2D delle feature prima e dopo lo scaling

scale di sklearn

from sklearn.preprocessing import scale

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

prima e dopo la standardizzazione

Creare subplot

# 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()

Scala i dati e usa KNN!

Machine Learning per la finanza in Python