Einführung

① https://qiita.com/yohiro/items/04984927d0b455700cd1 ② https://qiita.com/yohiro/items/5aab5d28aef57ccbb19c ③ https://qiita.com/yohiro/items/cc9bc2631c0306f813b5 ④ https://qiita.com/yohiro/items/d376f44fe66831599d0b ⑤ https://qiita.com/yohiro/items/3abaf7b610fbcaa01b9c ⑥ https://qiita.com/yohiro/items/e9e80183e635e0ac4894 Fortsetzung

Referenzmaterial: Udemy jedermanns KI-Kurs Künstliche Intelligenz und maschinelles Lernen von Grund auf mit Python
Verwendete Bibliothek: scicit-learn

Problemeinstellung

Angesichts der Anstiegsrate der Aktienkurse in den letzten vier Tagen wird geschätzt, ob der Aktienkurs an diesem Tag steigen oder fallen wird.

Beispieldaten

`stock_price.txt`

Der Schlusskurs des Aktienkurses für einen Tag wird in einer Zeile gespeichert.

Quellcode

importieren

from sklearn import svm

Datei lesen

Lesen Sie die Beispieldaten und speichern Sie sie in "stock_data"

#Datei lesen
stock_data = []
stock_data_file = open("stock_price.txt", "r")
for line in stock_data_file:
    line = line.rstrip()
    stock_data.append(float(line))
stock_data_file.close()

Trainingsdaten erstellen

Erstellung von Daten zur Erhöhungsrate für jeden Tag

Die Steigerungsrate wird wie folgt berechnet

Steigerungsrate am Tag i=\frac{Aktienkurs am Tag i- (i-1)Tagesbestand}{(i-1)Tagesbestand}

Speichern Sie die oben berechneten Daten in modifizierte_Daten.

count_s = len(stock_data)
modified_data = []
for i in range(1, count_s):
    modified_data.append(float(stock_data[i] - stock_data[i-1]) / float(stock_data[i-1]) * 20)
count_m = len(modified_data)

Erstellung einer Erhöhungsrate für 4 Tage und Erhöhen / Verringern der Daten (= korrekter Antwortwert) für den Tag

Speichern Sie für jeden Tag die Steigerungsrate der letzten 4 Tage in "sukzessive_Daten". Außerdem speichert es in "Antworten", ob es an diesem Tag hoch oder runter ging.

#Daten für 4 Tage bis zum Vortag
successive_data = []
#Richtige Antwort Preiserhöhung: 1 Preisverfall:0
answers = []
for i in range(4, count_m):
    successive_data.append([modified_data[i-4], modified_data[i-3], modified_data[i-2], modified_data[i-1]])
    if modified_data[i] > 0:
        answers.append(1)
    else:
        answers.append(0)
n = len(successive_data)
m = len(answers)

Training und Vorhersage

Trainiere 75% der Daten.

#Lineare Stützvektormaschine
clf = svm.LinearSVC()
#Training mit Support Vector Machine (75 Daten)%Wird für das Training verwendet)
clf.fit(successive_data[:int(n*75/100)], answers[:int(n*75/100)])

Bestätigung der Trainingsergebnisse

Machen Sie Vorhersagen zu den verbleibenden 25% der Daten.

#Testdaten
#Richtige Antwort
expected = answers[int(-n*25/100):]
#Prognose
predicted = clf.predict(successive_data[int(-n*25/100):])

#Vergleichen Sie die letzten 10
print(expected[-10:])
print(list(predicted[-10:]))

#Berechnung der richtigen Antwortrate
correct = 0.0
wrong = 0.0
for i in range(int(n*25/100)):
    if expected[i] == predicted[i]:
        correct += 1
    else:
        wrong += 1
print("Richtige Antwortrate:" + str(correct/(correct+wrong) * 100) + "%")

Ergebnis

Im Lehrmaterialvideo liegt die korrekte Antwortrate bei 61%. Wenn ich es tatsächlich versuche, erscheint eine Warnung und die richtige Antwortrate liegt bei etwa 50% (fast kein Unterschied, wenn ich es vermute) ...

Wird es einen Unterschied in den Ergebnissen geben, weil die Versionen von Python usw. unterschiedlich sind?

C:\Anaconda3\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations.
  "the number of iterations.", ConvergenceWarning)
[0, 0, 0, 1, 0, 0, 0, 1, 1, 0]
[0, 0, 0, 0, 1, 0, 0, 0, 1, 1]
Richtige Antwortrate: 55.62248995983936%

Bonus

Visualisieren Sie Beispieldaten

Python & Machine Learning Study Memo ⑦: Aktienkursprognose