Предсказание LinearRegression, предоставляющее несколько функций в виде списка - PullRequest
Новая
       58

Предсказание LinearRegression, предоставляющее несколько функций в виде списка

0 голосов
/ 28 февраля 2019

Я использую простую LinearRegression (), чтобы предсказать цену закрытия следующего дня.Я знаю, что это ненадежно, но, по крайней мере, я пытаюсь понять и тренироваться на LR.

Я просто предоставляю самые последние значения open, high, low, close в качестве функции.Что я действительно хочу сделать, так это предоставить open, high, low, close цены за последние 10 дней.Ниже вы можете найти то, что я сделал до сих пор: 

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, mean_absolute_error, median_absolute_error
pd.options.mode.chained_assignment = None

sym = "EURUSD"
period = "1d"
fl = "./feed/{} {}.csv".format(period, sym)
dg = 0.0001 # pip digits

df = pd.read_csv(fl)
df['Date'] = pd.to_datetime(df['Date'])
df['NextClose'] = df['Close'].shift(-1)
cols = ['Open', 'High', 'Low', 'Close'] # features
prd_cols = ['NextClose'] # prediction
real_prd = df[cols].iloc[-1:] # predict this after training
hour = df['Date'].iloc[-1]
df.dropna(inplace=True)

test_p = 20 # percent of test size
total = len(df) # total in DataFrame
test_size = int(total * test_p / 100)
X = df[cols]
y = df[prd_cols]
X_train, X_test, y_train, y_test = train_test_split(X, y, shuffle=True)

lr = LinearRegression()
lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
rmse = int(np.sqrt(mse) / dg)
mae = int(mean_absolute_error(y_test, y_pred) / dg)
print("")
print("Pair:", sym, "Time:", period, hour)
print("Mean Sq. Err: {:.10f}".format(mse))
print("Root Mean Sq. Err:", rmse, "pips")
print("Mean Abs. Err:", mae, "pips")
print("Score: {:.2f}%".format(np.round(lr.score(X_test, y_test) * 100, 2)))
# predict last value
real_pred = lr.predict(real_prd)
print("Prediction:", np.round(real_pred[0][0], 5))

plt.scatter(y_pred, y_test)
plt.show()

РЕДАКТИРОВАТЬ Вывод: 

Pair: EURUSD Time: 1d 2019-02-28 00:00:00
Mean Sq. Err: 0.0000594541
Root Mean Sq. Err: 77 pips
Mean Abs. Err: 56 pips
Score: 99.78%
Prediction: 1.14154

SAMPLE Источник: 

         Open     High      Low    Close
4921  1.14087  1.14092  1.13610  1.13658
4922  1.13658  1.13678  1.13245  1.13383
4923  1.13385  1.13509  1.13213  1.13222
4924  1.13199  1.13251  1.13189  1.13241
4925  1.13243  1.13303  1.12675  1.12787
4926  1.12785  1.13397  1.12580  1.13340
4927  1.13336  1.13417  1.12495  1.12648
4928  1.12650  1.13099  1.12501  1.12950
4929  1.12950  1.13064  1.12343  1.12922
4930  1.12916  1.12960  1.12898  1.12952
4931  1.12950  1.13341  1.12940  1.13118
4932  1.13116  1.13576  1.12757  1.13401
4933  1.13399  1.13714  1.13251  1.13464
4934  1.13465  1.13665  1.13208  1.13400
4935  1.13399  1.13558  1.13163  1.13331
4936  1.13362  1.13424  1.13292  1.13424
4937  1.13420  1.13677  1.13369  1.13651
4938  1.13651  1.14028  1.13454  1.13931
4939  1.13936  1.14037  1.13624  1.13799
4940  1.13793  1.14198  1.13675  1.14116

PLOT: enter image description here

Как я могу развернуть последние 10 строк в качестве функции и при этом получить один результат?

1 Ответ

0 голосов
/ 28 февраля 2019

Я кодировал следующее решение 

cols = []
for i in range(1, 11):
    cl = "Open_{}".format(i)
    cols.append(cl)
    df[cl] = df['Open'].shift(i)
    cl = "High_{}".format(i)
    cols.append(cl)
    df[cl] = df['High'].shift(i)
    cl = "Low_{}".format(i)
    cols.append(cl)
    df[cl] = df['Low'].shift(i)
    cl = "Close_{}".format(i)
    cols.append(cl)
    df[cl] = df['Close'].shift(i)
...