秒秒时时彩链接_以预测股票涨跌案例入门基于SVM的机器学习

  • 时间:
  • 浏览:1
  • 来源:天津网_专注天津新闻_天津的主流媒体

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它还都还上能对样本数据进行分类。以股票为例,SVM能根据若干特征样本数据,把待预测的目标结果划分成“涨”和”跌”有一种,从而实现预测股票涨跌的效果。

1 通过简单案例了解SVM的分类作用

    在Sklearn库里,封装了SVM分类的相关妙招,也要是我说,有就让 人 不不了解其中复杂化的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,有就让 人 来看下通过SVM库实现分类的做法,以及相关妙招的调用妙招。    

1    #!/usr/bin/env python
2    #coding=utf-8
3    import numpy as np
4    import matplotlib.pyplot as plt
5    from sklearn import svm
6    #给出平面上的若干点
7    points = np.r_[[[-1,1],[1.5,1.5],[1.8,0.2],[0.8,0.7],[2.2,2.8],[2.5,3.5],[4,2]]]
8    #按0和1标记成两类
9    typeName = [0,0,0,0,1,1,1]

    在第5行里,有就让 人 引入了基于SVM的库。在第7行,有就让 人 定义了若干个点,并在第9行把哪些点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的就让,是通过np.r_妙招,把数据转再加“列矩阵”,二个做的目的是让数据特征满足fit妙招的要求。     

10	#建立模型
11	svmTool = svm.SVC(kernel='linear')
12	svmTool.fit(points,typeName)  #传入参数
13	#确立分类的直线
14	sample = svmTool.coef_[0] #系数
15	slope = -sample[0]/sample[1]  #斜率
16	lineX = np.arange(-2,5,1)#获取-2到5,间距是1的若干数据
17	lineY = slope*lineX-(svmTool.intercept_[0])/sample[1]

  在第11行里,有就让 人 创建了基于SVM的对象,并指定该SVM模型采用比较常用的“线性核”来实现分类操作。

      在第14行,通过fit训练样本。这里fit妙招和就让基于线性回归案例中的fit妙招是一样的,只不过这里是基于线性核的相关算法,而就让是基于线性回归的相关算法(比如最小二乘法)。训练完成后,通过第14行和第15行的代码,有就让 人 得到了能分隔两类样本的直线,包括直线的斜率和截距,并通过第16行和第17行的代码设置了分隔线的若干个点。    

18	#画出划分直线
19	plt.plot(lineX,lineY,color='blue',label='Classified Line')
20	plt.legend(loc='best') #绘制图例
21	plt.scatter(points[:,0],points[:,1],c='R')
22	plt.show()

  计算完成后,有就让 人 通过第19行的plot妙招绘制了分隔线,并在第21行通过scatter妙招绘制所有的样本点。可能性points是“列矩阵”的数据特征,要是我是用points[:,0]来获取绘制点的 x坐标,用points[:,1]来获取y坐标,最后是通过第22行的show妙招绘制图形。运行上述代码,有就让 人 能就看如下图13.8的效果,从饱含 就让 人 能就看,蓝绿色的边界线能有效地分隔两类样本。

    

    从你你这个例子饱含 就让 人 能就看,SVM的作用是,根据样本,训练出能划分不同种类数据的边界线,由此实现“分类”的效果。有就让,在根据训练样本选折 好边界线的参数后,还能根据其它如此 明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化处置

    标准化(normalization)处置是将特征样本按一定算法进行缩放,让它们落在某个范围比较小的区间,一起再加单位限制,让样本数据转再加无量纲的纯数值。

    在用机器学习妙招进行训练时,一般都还上能进行标准化处置,愿因 是Sklearn等库封装的有就让 机器学习算法对样本有一定的要求,可能性有就让 特征值的数量级部分大多数特征值的数量级,可能性有特征值部分正态分布,如此 预测结果会不准确。

    都还上能说明的是,着随便说说训练前对样本进行了标准化处置,改变了样本值,但可能性在标准化的过程中是用同二个算法对完整篇 样本进行转换,属于“数据优化”,不不对后继的训练起到不好的作用。

    这里有就让 人 是通过sklearn库提供的preprocessing.scale妙招实现标准化,该妙招是让特征值减去平均值有就让除以标准差。通过如下ScaleDemo.py案例,有就让 人 实际用下preprocessing.scale妙招。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	from sklearn import preprocessing
4	import numpy as np
5	
6	origVal = np.array([[10,5,3],
7	                   [8,6,12],
8	                   [14,7,15]])
9	#计算均值
10	avgOrig = origVal.mean(axis=0)
11	#计算标准差
12	stdOrig=origVal.std(axis=0)
13	#减去均值,除以标准差
14	print((origVal-avgOrig)/stdOrig)
15	scaledVal=preprocessing.scale(origVal)
16	#直接输出preprocessing.scale后的结果
17	print(scaledVal)

  在第6行里,有就让 人 初始化了二个长宽各为3的矩阵,在第10行,通过mean妙招计算了该矩阵的均值,在第12行则通过std妙招计算标准差。

      第14行是用原始值减去均值,再除以标准差,在第17行,是直接输出preprocessing.scale的结果。第14行和第17行的输出结果相同,均是下值,从饱含 就让 人 验证了标准化的具体做法。    

1	[[-0.26726124 -1.22474487 -1.37281295]
2	 [-1.06904497  0.          0.39223227]
3	 [ 1.3361000621  1.22474487  0.910005100068]]

3 预测股票涨跌

    在就让的案例中,有就让 人 用基于SVM的妙招,通过一维直线来分类二维的点。据此还都还上能进一步推论:通过基于SVM的妙招,有就让 人 还还都还上能分类具有多个特征值的样本。

    比如还都还上能通过开盘价、收盘价、最高价、最低价和成交量等特征值,用SVM的算法训练出哪些特征值和股票“涨“和“跌“的关系,即通过特征值划分指定股票“涨”和“跌”的边界,二个语录,一旦输入其它的股票特征数据,即可预测出对应的涨跌情况表。在如下的PredictStockBySVM.py案例中,有就让 人 给出了基于SVM预测股票涨跌的功能。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	import pandas as pd 
4	from sklearn import svm,preprocessing
5	import matplotlib.pyplot as plt
6	origDf=pd.read_csv('D:/stockData/ch13/10003100052018-09-012019-05-31.csv',encoding='gbk')
7	df=origDf[['Close', 'Low','Open' ,'Vol','Date']]
8	#diff列表示本日和上日收盘价的差
9	df['diff'] = df["Close"]-df["Close"].shift(1)
10	df['diff'].fillna(0, inplace = True)
11	#up列表示本日是是否是上涨,1表示涨,0表示跌
12	df['up'] = df['diff']   
13	df['up'][df['diff']>0] = 1
14	df['up'][df['diff']<=0] = 0
15	#预测值并不初始化为0
16	df['predictForUp'] = 0

  第6行里,有就让 人 从指定文件读取了饱含 股票信息的csv文件,该csv格式的文件随便说说是从网络数据接口获取得到的,具体做法还都还上能参考前面博文。

    从第9行里,有就让 人 设置了df的diff列为本日收盘价和前日收盘价的差值,通过第12行到第14行的代码,有就让 人 设置了up列的值,具体是,可能性当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之可能性当日股票下跌,up值则为0。

    在第16行里,有就让 人 在df对象里新建了表示预测结果的predictForUp列,该列的值并不都设置为0,在后继的代码里,将根据预测结果填充这列的值。    

17	#目标值是真实的涨跌情况表
18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#选折

指定列作为特征列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化处置特征值
25	feature=preprocessing.scale(feature)

  在第18行里,有就让 人 设置训练目标值是表示涨跌情况表的up列,在第20行,设置了训练集的数量是总量的1000%,在第23行则设置了训练的特征值,请注意这里再加了日期你你这个不相关的列,有就让,在第25行,对特征值进行了标准化处置。    

26	#训练集的特征值和目标值
27	featureTrain=feature[1:trainNum-1]
28	targetTrain=target[1:trainNum-1]
29	svmTool = svm.SVC(kernel='liner')
1000	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,有就让 人 通过截取指定行的妙招,得到了特征值和目标值的训练集,在第26行里,以线性核的妙招创建了SVM分类器对象svmTool。

     在第1000行里,通过fit妙招,用特征值和目标值的训练集训练svmTool分类对象。从上文里有就让 人 可能性就看,训练所用的特征值是开盘收盘价、最高最低价和成交量,训练所用的目标值是描述涨跌情况表的up列。在训练完成后,svmTool对象中就饱含 了能划分股票涨跌的相关参数。

31	predictedIndex=trainNum
32	#逐行预测测试集
33	while predictedIndex<length:
34	    testFeature=feature[predictedIndex:predictedIndex+1]            
35	    predictForUp=svmTool.predict(testFeature)    
36	    df.ix[predictedIndex,'predictForUp']=predictForUp    
37	    predictedIndex = predictedIndex+1

    在第33行的while循环里,有就让 人 通过predictedIndex索引值,依次遍历测试集。

    在遍历过程中,通过第35行的predict妙招,用训练好的svmTool分类器,逐行预测测试集中的股票涨跌情况表,并在第36行里,把预测结果设置到df对象的predictForUp列中。      

38	#该对象只饱含

预测数据,即只饱含

测试集
39	dfWithPredicted = df[trainNum:length]
40	#就让结束绘图,创建二个子图
41	figure = plt.figure()
42	#创建子图     
43	(axClose, axUpOrDown) = figure.subplots(2, sharex=True)
44	dfWithPredicted['Close'].plot(ax=axClose)
45	dfWithPredicted['predictForUp'].plot(ax=axUpOrDown,color="red", label='Predicted Data')
46	dfWithPredicted['up'].plot(ax=axUpOrDown,color="blue",label='Real Data')
47	plt.legend(loc='best') #绘制图例
48	#设置x轴坐标标签和旋转深度
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
1000	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=1000) 
53	plt.title("通过SVM预测1000310005的涨跌情况表")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  可能性在就让的代码里,有就让 人 只设置测试集的predictForUp列,并如此 设置训练集的该列数据,要是我在第39行里,用切片的手段,把测试集数据放置到dfWithPredicted对象中,请注意这里切片的起始和就让结束值是测试集的起始和就让结束索引值。至此完成了数据准备工作,在就让的代码里,有就让 人 将用matplotlib库就让结束绘图。

    在第43行里,有就让 人 通过subplots妙招设置了二个子图,并通过sharex=True让你这个个子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,有就让 人 用plot妙招绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,有就让 人 绘制了预测到的涨跌情况表,而在第46行里,还是在axUpOrDown子图里,绘制了哪些天的股票真实的涨跌情况表。

    在第49行到第52行的代码里,有就让 人 设置了x标签的文字以及旋转深度,二个做的目的是让标签文字看上去不至于太密集。在第53行里,有就让 人 设置了中文标题,可能性要显示中文,要是我都还上能第54行的代码,最后在55行通过show妙招展示了图片。运行上述代码,能就看如下图所示的效果。

    

    其中上图展示了收盘价,下图的蓝绿色线条表示真实的涨跌情况表,0表示跌,1表示上涨,而红色则表示预测后的结果。

4 结论

     对比一下,虽有偏差,但大体相符。综上所述,本案例是数学深度,演示了通过SVM分类的做法,包括可能性划分特征值和目标值,如保对样本数据进行标准化处置,如保用训练数据训练SVM,还有如保用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给守护进程员加财商系列,就让还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和有就让 人 讲述Python入门时的知识点,敬请期待

    

    有不少外国外国女网友 转载和你要转载我的博文,每个人感到十分荣幸,这也是每个人不断写博文的动力。关于本文的版权有如下统一的说明,抱歉就不逐一回复了。

    1 本文可转载,不不告知,转载时请用链接的妙招,给出原文出处,别简单地通过文本妙招给出,一起写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。有就让每个人保留追究法律责任的权利。