如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解 外贸seo 网站标题

下一步是为验证集创建一个预测，并使用实际值检查RMSE。

做出预测

preds = []

对于我的范围（0,248）：

a = train'close'.sum（） + sum（preds）

B = A/248

preds。（b）

结果计算RMSE

rms = np.sqrt（np.mean（np.power（（（np.Array）（有效['close']） -  preds），2））））））））））））））

RMS

104.548

仅检查RMSE并不能帮助我们了解模型的执行方式。让我们将其可视化以获得更直观的理解。因此，这是预测值与实际值的图。

绘制图片

有效[''] = 0

有效[''] = preds

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

RMSE值接近105，但是结果不是很有希望（从图可以看出）。预测值的范围与验证集中的观测值相同（最初有增加趋势，然后慢慢降低）。

在下一节中，我们将介绍两种常用的机器学习技术 - 线性回归和KNN，并了解它们在我们的股票市场数据上的表现。

2。线性回归简介

可以在此数据上实现的最基本的机器学习算法是线性回归。线性回归模型返回一个方程式，该方程式决定了独立变量和因变量之间的关系。

线性回归的方程式可以写为：

在这里，x1，x2，....xň表示自变量，而系数θ1，θ2，...θñ代表权重。

对于我们的问题描述，我们没有一组自变量。我们只有日期。让我们使用日期列来提取诸如 - 日，月，年，星期一/星期五之类的功能，然后适合线性回归模型。

代码

我们将首先按升序排序数据集，然后创建一个单独的数据集，以便创建的任何新功能都不会影响原始数据。

将索引设置为日期值

df ['date'] = pd。（df.date，='％y-％m-％d'）

df.index = df ['date']

种类

data = df。（= true，axis = 0）

创建一个单独的数据集

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

创建功能

从 。

（， '日期'）

.drop（''，轴= 1，= true）＃将是时间戳

这创建了以下特征：

'年'，'月，“''，'day'，''，''，''，''，''，''，''，'，'，'，'，'，'，'，'，'，'，'，'，'，'，' '， ''， 和 ''。

注意：我使用了库。如果您没有安装它，只需使用命令PIP即可。另外，您可以使用简单的循环创建此功能。我在下面显示了一个示例。

除此之外，我们还可以添加自己认为与预测有关的特征。例如，我的假设是，一周的第一天和最后几天可能会影响股票的收盘价，而远远超过了其他日子。因此，我创建了一项功能，该功能确定某个一天是星期一/星期五还是星期二/星期三/星期四。可以使用以下代码行完成：

[''] = 0

对于I范围（0，len（））：

if（''== 0或''== 4）：

''= 1

别的：

''= 0

如果一周中的一天等于0或4，则列值为1，否则为0。类似地，您可以创建多个功能。如果您对可以有助于预测股票价格的功能有一些想法，请在评论部分中分享它们。

现在，我们将数据分为培训和验证集以检查模型的性能。

分为训练集和验证集

火车= [：987]

有效= [987：]

= Train.Drop（'Close'，Axis = 1）

=火车['关闭']

=有效。drop（'Close'，Axis = 1）

=有效['close']

实现线性回归

从 。

模型=（）

model.fit（，）

对结果进行预测并找到RMSE

preds =模型。（）

rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））

RMS

121.156

RMSE值高于先前的技术，该技术清楚地表明线性回归的性能差。让我们看一下图表，了解为什么线性回归做得不好：

绘制图片

有效[''] = 0

有效[''] = preds

有效index = [987：]。索引

train.index = [：987] .index

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

线性回归是一种简单的技术，很容易解释，但是有一些明显的缺点。使用回归算法的一个问题是该模型与日期和月列相匹配。该模型没有从一个月前的同一日期或一年前同一日期/月来考虑以前的值，而是从预测的角度考虑以前的值。

从上图可以看出，股价在2016年1月和2017年1月下降。该模型预测了2018年1月的情况。线性回归技术可以很好地解决诸如大型超市之类的销售问题，其中独立功能对确定目标值。

3. K-邻居简介

这里可以使用的另一种有趣的ML算法是KNN（K最近的邻居）。 KNN发现基于自变量的新数据点和旧数据点之间的相似性。让我用一个简单的例子来解释它。

考虑11人的身高和年龄。根据给定特征（“年龄”和“高度”），该表可以以图形格式表示：如下：

为了确定ID＃11的重量，K-NN考虑了该ID最近邻居的重量。 ID＃11的重量预计将是其邻居的平均值。如果我们现在考虑三个邻居（k = 3），ID＃11的重量将为=（77 + 72 + 60）/3 = 69.66 kg。

代码导入库

从

从 。

从 。

=（=（0，1））

使用上一节中相同的培训和验证集：

比例数据

=。（）

= pd。（）

=。（）

= pd。（）

使用使用的最佳参数

= {''：[2,3,4,5,6,7,8,9]}

knn =。（）

型号=（knn，，cv = 5）

适合模型并进行预测

model.fit（，）

preds =模型。（）

结果查看RMSE值

rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））

RMS

115.721

RMSE值没有太大差异，但是预测和实际值的图应提供更清晰的理解。

绘制图片

有效[''] = 0

有效[''] = preds

plt.plot（有效[['close'，'']]）

plt.plot（train ['close']）

推理

RMSE值几乎与线性回归模型相似，并且图显示了相同的模式。像线性回归一样，KNN也确定了2018年1月的下降，因为这是过去几年的形式。我们可以肯定地说，回归算法在此数据集上的性能差。

让我们继续研究某些时间序列预测技术，以了解它们在面对股价预测挑战时的表现。

4。汽车介绍

Arima是一种非常流行的时间序列预测统计方法。 Arima模型考虑了过去的值以预测未来的价值。 Arima有三个重要参数：

Arima参数调整可能需要大量时间。因此，我们将使用Auto Arima，该Auto Arima会自动选择（P，Q，D）来提供最小错误的最佳组合。

代码

来自.arima

data = df。（= true，axis = 0）

火车=数据[：987]

有效=数据[987：]

=火车['关闭']

=有效['close']

model =（，，= 1，= 1，max_p = 3，max_q = 3，m = 12，= 0，= true，d = 1，d = 1，trace = true，='''，= true）

model.fit（）

=模型。（= 248）

= pd。（，index =有效index，= [''']）

结果

rms = np.sqrt（np.mean（np.power（（np.Array）（有效['close']） -  np.array（[''']），2）））））））））））））））））））））

RMS

44。

绘制图片

plt.plot（train ['close']）

plt.plot（有效['close']）

plt.plot（预测['预测']）

推理

如前所述，自动Arima模型使用过去的数据来了解时间序列中的模式。使用这些值，该模型获得了该系列的增长趋势。尽管使用此技术的预测比以前实现的机器学习模型的预测要好得多，但这些预测仍然不接近实际值。

从该图可以看出，该模型在该系列中捕获了趋势，但并未集中在季节性部分上。在下一节中，我们将实施一个时间序列模型，以考虑该系列的趋势和季节性。

5。简介

可以在库存预测数据集上实现许多时间序列技术，但是在拟合模型之前，大多数这些技术都需要大量的数据预处理。设计和开创性的是一个时间序列预测库，不需要数据预处理，并且非常易于实现。输入是一个具有两个列的数据框架：日期和（DS和Y）。

试图在过去的数据中获得季节性，并在数据集很大时做得很好。

代码导入

从

创造

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

['date'] = pd。（。日期，='％y-％m-％d'）

.index = ['date']

准备数据

。

培训和验证

火车= [：987]

有效= [987：]

使用正确的型号

模型=（）

型号（火车）

预测

= model.e（= len（））

=型号。（）

结果查看RMSE

='yhat'

rms = np.sqrt（np.mean（np.power（（（np.Array））（有效['y']） -  np.Array（）），2）））））））））））））

RMS

57。

绘制图片

有效[''] = 0

有效[''] =。

plt.plot（train ['y']）

plt.plot（有效[['y'，'']]）

推理

（与大多数时间序列预测技术相同）尝试从过去的数据中获得趋势和季节性。该模型通常在时间序列数据集上表现良好，但在这种情况下无法实现其声誉。

事实证明，股价没有具体的趋势或季节性。这在很大程度上取决于当前市场状况，因此价格将上涨。因此，诸如Arima之类的预测技术不会为此特定问题显示出良好的结果。

让我们继续尝试另一种先进的技术 - 长期和短期内存（LSTM）。

6。长期和短期记忆简介（LSTM）

LSTM广泛用于序列预测问题，已被证明非常有效。他们之所以非常有效的原因是，LSTM能够存储过去的重要信息，而忘记了不重要的信息。 LSTM有三扇门：

现在，让我们将LSTM作为黑匣子实现，并在我们的特定数据上检查其性能。

代码导入所需的库

从 。

来自Keras。

来自Keras。密集，LSTM

创造

data = df。（= true，axis = 0）

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

设置索引

.index = .date

.drop（'date'，轴= 1，= true）

创建培训和测试集

=。

火车= [0：987，：]

有效= [987：，：]

将数据集转换为X和Y列

=（=（0，1））

=。（）

，= []，[]

对于我的范围（60，Len（火车））：

。（[I-60：i，0]）

。（[i，0]）

，= np.Array（），np.Array（）

= np。（（。

创建和使用LSTM网络

模型=（）

model.Add（lstm（单位= 50，= true，=（。shape [1]，1）））））

ADD（LSTM（单位= 50））

型号（密集（1））

桩（损失=''，='adam'）

model.fit（，，，= 1，= 1，= 2）

使用训练集中的过去60个值预测246个值

= [len（） -  len（有效）-60：]。

=。（-1,1）

=。（）

= []

对于我的范围（60，.shape [0]）：

。（[I-60：i，0]）

= np.array（）

= np。（，（。形状[0]，。shape [1]，1））

=型号。（）

=。（）

结果

rms = np.sqrt（np.mean（np.power（（录用 - ），2），2））））））

RMS

11.，

绘制图片

火车= [：987]

有效= [987：]

有效[''] =

plt.plot（train ['Close']）

plt.plot（有效[['close'，'']]）

推理

LSTM模型可以根据不同的参数进行调整，例如更改LSTM层的数量，添加值或增加时期的数量。但是，LSTM的预测是否足以确定股票价格是在上涨还是下跌？当然不是！

正如我在本文开头提到的那样，股票价格受到有关公司的新闻以及其他因素（例如货币化或公司的合并/拆分）的影响。还有一些无形的因素通常是不可预测的。

结局笔记

时间序列预测是一个非常有趣的领域，正如我在撰写这些文章时意识到的那样。社区中有一种看法，这是一个非常复杂的领域。尽管有些确实更为复杂，但是一旦您掌握了基本技术，它将不那么困难。

本文的作者使用六种方法来预测股票价格波动，并分析了结果模型中每种算法的优点和缺点。从数字可以看出，LSTM方法是最合适的。一种方法，但是股票市场需要考虑许多因素。不仅需要预测一些关键功能。我们可以根据先前数据验证算法，但使用该算法来预测未来的库存上升。损失下降时仍然存在一些风险，因此您仍然应该谨慎使用这些算法。至少没有算法可以预测未来股票的时间序列模型算法100％。最好暂时使用该算法来连续训练，直到未来的技术有一天成熟。

使用和深（用代码）进行库存

# 如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解  # 让我们  # 可以看出  # 我在  # 这是  # 未来  # 创建一个  # 很好  # 是一种  # 在此  # 您可以  # 将是  # 做得  # 可以使用  # 股票市场  # 可以根据  # 先前  # 的是  # 是一个  # 升序  # 是在  # 惠州网站建设框架图  # 德州网站建设策划书  # 邯郸网站优化哪里找  # 最近的seo电话  # 湘潭品质网站建设  # 拼多多推广报告查询网站  # 线上推广获客营销案例  # 舟山抖音营销推广多难  # 太原seo优化策略  # 曲阜seo推广商机  # 徐州移动网站建设报价  # 关键词排名丿乐云seo品牌  # 关于网站优化推荐的请示  # 济宁网站推广步骤  # 重庆商家推广营销招聘  # 门禁卡网站推广建设  # 滁州手机网站建设  # 临沂市seo排名  # 宁安网站建设费用  # 晋中网站整合营销推广 

相关文章： 关键词5-如何打破困局，释放无穷潜力？,网站seo优化服务商  WPS改写-轻松提升文档创作效率的秘密武器,商城网站优化怎么做的好  微信*号是什么？微信*号开通后如何引流？  可以长期兼职写作赚钱的三大平台，搞点副业赚钱轻轻松松！  SEO汇报：如何通过数据分析提升网站排名，助力企业业绩增长,巨量创意关键词搜索排名  WPQQ-开启数字时代的智能连接新纪元,赵文辉seo  “洗稿技巧如何让你的文章脱颖而出，轻松提升内容创作水平！”,灵宝网站建设报价公司  SEO售产-数字营销新战场，助力企业实现盈利增长,最好的全网推广网站  SEO获取流量的必杀技：如何通过优化轻松提升网站排名,上海网站建设服务好做吗  SEO目标：让您的网站轻松登顶搜索引擎,天津软文营销推广报价表  福建百度推广方式如何计费，详细解析与技巧分享,关于滑板的推广营销方案  云推SEO：让您的网站在激烈竞争中脱颖而出,大庆网站推广  2021年最火的三个普通人正在做的副业赚钱项目盘点！  SEO架构：提升网站流量的核心策略,河南网站建设优化技术  文章引流该怎么做？做好这6点流量源源不断！  仿写AI：智能时代的创作革命,菏泽网站建设优化  SEO地址优化的秘诀：提升网站排名与流量的关键,查关键词谷歌排名  个性化广告：新时代营销的秘密武器,低价网站建设与发展论文  伪原创：内容创作新时代的挑战与机遇,SEO入门书籍设计排版  优化量：企业成功的背后力量,常州网站建设网址大全  今日头条的穿山甲和其他几大广告联盟平台有何区别？  加入百度广告联盟有哪些好处？申请条件有哪些？  SEO很多，如何在竞争激烈的市场中脱颖而出？,晋中网站建设售后  福建百度推广房产有效果吗？,漳州网站建设方面有哪些  推广赚钱被动躺赚玩法介绍  广告联盟上推广的产品，广告产品和广告产品哪种更赚钱？  广告有哪些优点和缺点？  引流之如何利用评论来进行引流？  操作网赚项目的时候如何快速地吸引精准粉丝？  优化整站，让网站飞速增长，打造行业竞争力,金华seo霸屏  SEO需要：如何提升网站排名，打造高效营销利器,随州网站推广公司  app用户大量流失？app促活留住用户你需要这么做！  SEO和品牌营销：如何通过搜索引擎优化打造品牌影响力,广东营销推广套餐怎么样  关键词出词：打造精准内容的秘密武器,怎么把分词变成seo  如何鼓励联盟营销的伙伴来推广我们的商品以及服务？  SEO技术如何通过优化提升网站流量与排名,中介型网站怎么推广产品  想通过网络营销获客该怎么做？  抖音上面的广告推广价格大约是多少？  SEO挣钱之道：如何通过SEO实现网络盈利,雄安新区网站优化  【SEO优化全攻略】提升网站流量的终极秘籍，带你轻松玩转搜索引擎优化！,橙子营销推广策划  推广过程中怎么利用豆瓣来进行引流？  站长必看:四个关键因素影响网站生死！  什么叫改写-解读“改写”背后的艺术与技巧,哪里有人推广网站  如何利用10000IP打造一个年入几十万的赚钱项目？  推广社交app应该如何进行引流才能赚到钱？  服装行业关键词优化,助力企业精准营销，开启数字化转型新篇章  黄江SEO网站优化公司，让您的品牌在网络世界中熠熠生辉,企业网站关键词推广  常见的4个网站营销方式，学会了不愁网站没流量！  做联盟广告推广赚钱吗？怎么在联盟上面赚到钱？  公众号自动化：让你的内容营销事半功倍,seo冷启动