5分快3官方邀请码_以预测股票涨跌案例入门基于SVM的机器学习

  • 时间:
  • 浏览:0

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它后要 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”一种生活生活,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,也却说说,我们歌词 歌词 我们歌词 我们歌词 不必了解其中复杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 引入了基于SVM的库。在第7行,我们歌词 歌词 我们歌词 我们歌词 定义了若干个点,并在第9行把有有哪些点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的后后,是通过np.r_妙招,把数据转加带“列矩阵”,后后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,我们歌词 歌词 我们歌词 我们歌词 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妙招和后后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,而后后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,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 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,但会 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,我们歌词 歌词 我们歌词 我们歌词 能看后如下图13.8的效果,从中我们歌词 歌词 我们歌词 我们歌词 能看后,蓝色的边界线能有效地分隔两类样本。

    

    从你這個例子中我们歌词 歌词 我们歌词 我们歌词 能看后,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。但会 ,在根据训练样本选着好边界线的参数后,还能根据其它没人明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化除理

    标准化(normalization)除理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,一起加带单位限制,让样本数据转加带无量纲的纯数值。

    在用机器学习妙招进行训练时,一般时需进行标准化除理,是是因为是Sklearn等库封装的但会 机器学习算法对样本有一定的要求,可能性但会 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,没人预测结果会不准确。

    时需说明的是,我人太好在训练前对样本进行了标准化除理,改变了样本值,但可能性在标准化的过程中是用同另另有十个 算法对完整篇 样本进行转换,属于“数据优化”,不必对后继的训练起到不好的作用。

    这里我们歌词 歌词 我们歌词 我们歌词 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但会 除以标准差。通过如下ScaleDemo.py案例,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 初始化了另另有十个 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,从中我们歌词 歌词 我们歌词 我们歌词 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	 [ 1.336200621  1.22474487  0.9200520068]]

3 预测股票涨跌

    在后后的案例中,我们歌词 歌词 我们歌词 我们歌词 用基于SVM的妙招,通过一维直线来分类二维的点。据此后要 进一步推论:通过基于SVM的妙招,我们歌词 歌词 我们歌词 我们歌词 还后要 分类具有多个特征值的样本。

    比如后要 通过开盘价、收盘价、最高价、最低价和成交量等特征值,用SVM的算法训练出有有哪些特征值和股票“涨“和“跌“的关系,即通过特征值划分指定股票“涨”和“跌”的边界,后后句子,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,我们歌词 歌词 我们歌词 我们歌词 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/ch13/200320052018-09-012019-05-31.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列表示本日不是上涨,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	#预测值不必说初始化为0
16	df['predictForUp'] = 0

  第6行里,我们歌词 歌词 我们歌词 我们歌词 从指定文件读取了蕴藏股票信息的csv文件,该csv格式的文件我我人太好是从网络数据接口获取得到的,具体做法后要 参考前面博文。

    从第9行里,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 在df对象里新建了表示预测结果的predictForUp列,该列的值不必说都设置为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	#选着指定列作为特征列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化除理特征值
25	feature=preprocessing.scale(feature)

  在第18行里,我们歌词 歌词 我们歌词 我们歌词 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200%,在第23行则设置了训练的特征值,请注意这里加带了日期你這個不相关的列,但会 ,在第25行,对特征值进行了标准化除理。    

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')
200	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,我们歌词 歌词 我们歌词 我们歌词 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200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。从上文里我们歌词 歌词 我们歌词 我们歌词 可能性看后,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对象中就蕴藏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,我们歌词 歌词 我们歌词 我们歌词 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	#该对象只蕴藏预测数据,即只蕴藏测试集
39	dfWithPredicted = df[trainNum:length]
40	#刚开始绘图,创建另另有十个

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图
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
200	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=200) 
53	plt.title("通过SVM预测20032005的涨跌情况表")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  可能性在后后的代码里,我们歌词 歌词 我们歌词 我们歌词 只设置测试集的predictForUp列,并没人设置训练集的该列数据,但会 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刚开始值是测试集的起始和刚开始索引值。至此完成了数据准备工作,在后后的代码里,我们歌词 歌词 我们歌词 我们歌词 将用matplotlib库刚开始绘图。

    在第43行里,我们歌词 歌词 我们歌词 我们歌词 通过subplots妙招设置了另另有十个 子图,并通过sharex=True让这另另有十个 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,我们歌词 歌词 我们歌词 我们歌词 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,我们歌词 歌词 我们歌词 我们歌词 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,绘制了有有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,我们歌词 歌词 我们歌词 我们歌词 设置了x标签的文字以及旋转深度图,后后做的目的是让标签文字看上去不至于太密集。在第53行里,我们歌词 歌词 我们歌词 我们歌词 设置了中文标题,可能性要显示中文,但会 时需第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,能看后如下图所示的效果。

    

    其中上图展示了收盘价,下图的蓝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,本案例是数学深度图,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,怎样才能对样本数据进行标准化除理,怎样才能用训练数据训练SVM,还有怎样才能用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给守护线程池池员加财商系列,后后还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和我们歌词 歌词 我们歌词 我们歌词 讲述Python入门时的知识点,敬请期待

    

    有不少网友视频视频视频转载和愿意转载我的博文,当事人感到十分荣幸,这也是当事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,不必告知,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。但会 当事人保留追究法律责任的权利。