Neuronové sítě

Machine Learning for Finance in Python

Nathan George

Data Science Professor

Moorův zákon pro GPU

Potenciál neuronových sítí

Neuronové sítě nabízejí:

nelinearitu
interakce proměnných
přizpůsobitelnost

diagram základní neuronové sítě

diagram sítě se základní matematikou

matematika neuronové sítě

diagram aktivací neuronové sítě

aktivační funkce

ztrátová funkce

dopředný průchod

zpětný průchod

loga Keras a TensorFlow

Implementace neuronové sítě v Keras

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

Implementace neuronové sítě v 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'))

Trénování modelu

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()

graf ztrátové funkce

Vyhodnocení výkonu

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

Vizualizace výkonu

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

predikce vs skutečné hodnoty

Vytvořte neuronovou síť!

Machine Learning for Finance in Python