Масштабирование данных и KNN-регрессия

Машинное обучение для финансов на Python

Nathan George

Data Science Professor

важность признаков

Отбор признаков: удаление дней недели

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']

Удаление дней недели

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

двумерный график признаков

KNN-предсказание для неизвестной точки

KNN-предсказание с двумя ближайшими точками

расстояние Минковского

крупный и мелкий признак

Способы масштабирования

Способы масштабирования:

min-max
стандартизация
median-MAD
отображение на произвольную функцию (например, sigmoid, tanh)

двумерные графики признаков до и после масштабирования

Масштабирование в sklearn

from sklearn.preprocessing import scale

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

до и после стандартизации

Создание подграфиков

# 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()

Давайте потренируемся!

Машинное обучение для финансов на Python