Skalowanie danych i regresja KNN

Uczenie maszynowe w finansach z Pythonem

Nathan George

Data Science Professor

ważność cech

Selekcja cech: usuwanie dni tygodnia

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']

Usuwanie dni tygodnia

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

wykres 2D cech

prognoza KNN dla nieznanego punktu

prognoza KNN z 2 najbliższymi punktami

odległość Minkowskiego

duża i mała cecha

Opcje skalowania

Opcje skalowania:

min-max
standaryzacja
mediana-MAD
odwzorowanie na funkcję (np. sigmoid, tanh)

wykresy 2D cech przed i po skalowaniu

Skalowanie w sklearn

from sklearn.preprocessing import scale

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

przed i po standaryzacji

Tworzenie podwykresów

# 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()

Skalowanie danych i KNN!

Uczenie maszynowe w finansach z Pythonem