飞艇安全吗_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,通过它也能对样本数据进行分类。以股票为例,SVM能根据若干型态样本数据,把待预测的目标结果划分成“涨”和”跌”这个,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分类的相关最好的土方法,也什么都有有说,一群人儿不用了解其中错综复杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,一群人儿来看下通过SVM库实现分类的做法,以及相关最好的土方法的调用最好的土方法。    

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,一群人儿引入了基于SVM的库。在第7行,一群人儿定义了若干个点,并在第9行把哪几个点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的前一天,是通过np.r_最好的土方法,把数据转加上“列矩阵”,什么都有有做的目的是让数据型态满足fit最好的土方法的要求。     

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,一群人儿创建了基于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最好的土方法和前一天基于线性回归案例中的fit最好的土方法是一样的,只不过这里是基于线性核的相关算法,而前一天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,一群人儿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,一群人儿通过第19行的plot最好的土方法绘制了分隔线,并在第21行通过scatter最好的土方法绘制所有的样本点。什么都有有points是“列矩阵”的数据型态,什么都有有是用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最好的土方法绘制图形。运行上述代码,一群人儿能想看 如下图13.8的效果,从中一群人儿能想看 ,淡蓝色的边界线能有效地分隔两类样本。

    

    从这个 例子中一群人儿能想看 ,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。什么都有有,在根据训练样本选用好边界线的参数后,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 数据标准化处里

    标准化(normalization)处里是将型态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,一起加上单位限制,让样本数据转加上无量纲的纯数值。

    在用机器学习最好的土方法进行训练时,一般时要进行标准化处里,原应是Sklearn等库封装的这个机器学习算法对样本有一定的要求,什么都有有这个型态值的数量级偏离 大多数型态值的数量级,什么都有有有型态值偏离 正态分布,没人预测结果会不准确。

    时要说明的是,着实在训练前对样本进行了标准化处里,改变了样本值,但什么都有有在标准化的过程中是用同另有有五个算法对完整篇 样本进行转换,属于“数据优化”,不用对后继的训练起到不好的作用。

    这里一群人儿是通过sklearn库提供的preprocessing.scale最好的土方法实现标准化,该最好的土方法是让型态值减去平均值什么都有有除以标准差。通过如下ScaleDemo.py案例,一群人儿实际用下preprocessing.scale最好的土方法。     

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,一群人儿初始化了另有有五个长宽各为3的矩阵,在第10行,通过mean最好的土方法计算了该矩阵的均值,在第12行则通过std最好的土方法计算标准差。

      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,从中一群人儿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	 [ 1.336100621  1.22474487  0.9100510068]]

3 预测股票涨跌

    在前一天的案例中,一群人儿用基于SVM的最好的土方法,通过一维直线来分类二维的点。据此也能进一步推论:通过基于SVM的最好的土方法,一群人儿还也能分类具有多个型态值的样本。

    比如也能通过开盘价、收盘价、最高价、最低价和成交量等型态值,用SVM的算法训练出哪几个型态值和股票“涨“和“跌“的关系,即通过型态值划分指定股票“涨”和“跌”的边界,什么都有有句子,一旦输入其它的股票型态数据,即可预测出对应的涨跌请况。在如下的PredictStockBySVM.py案例中,一群人儿给出了基于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/ch13/100310052018-09-012019-05-31.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列表示本日是是是不是上涨,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	#预测值着实初始化为0
16	df['predictForUp'] = 0

  第6行里,一群人儿从指定文件读取了富含股票信息的csv文件,该csv格式的文件着实是从网络数据接口获取得到的,具体做法也能参考前面博文。

    从第9行里,一群人儿设置了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,一群人儿设置了up列的值,具体是,什么都有有当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之什么都有有当日股票下跌,up值则为0。

    在第16行里,一群人儿在df对象里新建了表示预测结果的predictForUp列,该列的值着实都设置为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请况
18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#选用指定列作为型态列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化处里型态值
25	feature=preprocessing.scale(feature)

  在第18行里,一群人儿设置训练目标值是表示涨跌请况的up列,在第20行,设置了训练集的数量是总量的100%,在第23行则设置了训练的型态值,请注意这里加上了日期这个 不相关的列,什么都有有,在第25行,对型态值进行了标准化处里。    

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

  在第27行和第28行里,一群人儿通过截取指定行的最好的土方法,得到了型态值和目标值的训练集,在第26行里,以线性核的最好的土方法创建了SVM分类器对象svmTool。

     在第100行里,通过fit最好的土方法,用型态值和目标值的训练集训练svmTool分类对象。从上文里一群人儿什么都有有想看 ,训练所用的型态值是开盘收盘价、最高最低价和成交量,训练所用的目标值是描述涨跌请况的up列。在训练完成后,svmTool对象中就富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,一群人儿通过predictedIndex索引值,依次遍历测试集。

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

38	#该对象只富含预测数据,即只富含测试集
39	dfWithPredicted = df[trainNum:length]
40	#刚刚始于绘图,创建另有有五个子图
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轴坐标标签和旋转层厚
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
100	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=100) 
53	plt.title("通过SVM预测10031005的涨跌请况")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  什么都有有在前一天的代码里,一群人儿只设置测试集的predictForUp列,并没人设置训练集的该列数据,什么都有有在第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刚始于值是测试集的起始和刚刚始于索引值。至此完成了数据准备工作,在前一天的代码里,一群人儿将用matplotlib库刚刚始于绘图。

    在第43行里,一群人儿通过subplots最好的土方法设置了另有有五个子图,并通过sharex=True让这另有有五个子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,一群人儿用plot最好的土方法绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,一群人儿绘制了预测到的涨跌请况,而在第46行里,还是在axUpOrDown子图里,绘制了哪几个天的股票真实的涨跌请况。

    在第49行到第52行的代码里,一群人儿设置了x标签的文字以及旋转层厚,什么都有有做的目的是让标签文字看上去不至于太密集。在第53行里,一群人儿设置了中文标题,也着实显示中文,什么都有有时要第54行的代码,最后在55行通过show最好的土方法展示了图片。运行上述代码,能想看 如下图所示的效果。

    

    其中上图展示了收盘价,下图的淡蓝色线条表示真实的涨跌请况,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,本案例是数学层厚,演示了通过SVM分类的做法,包括什么都有有划分型态值和目标值,怎么对样本数据进行标准化处里,怎么用训练数据训练SVM,还有怎么用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给系统进程员加财商系列,前一天还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和一群人儿讲述Python入门时的知识点,敬请期待

    

    有不少女女日本网友转载和刚刚转载我的博文,买车人感到十分荣幸,这也是买车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,不用告知,转载时请用链接的最好的土方法,给出原文出处,别简单地通过文本最好的土方法给出,一起写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。什么都有有买车人保留追究法律责任的权利。