import pandas_datareader.data as web
import datetime
start = datetime.datetime(2000,1,1)
end = datetime.datetime(2021,8,1)
df = web.DataReader('GOOGL', 'stooq',start, end)
df.sort_index(inplace=True, ascending=True)
df.dropna(inplace=True)
print(df)
predict_count = int(len(df)*0.02)
predict_count = 10
print(predict_count)
# 预测多少数据, 就将实际得收盘价格跟实际的放在同一天,假设预测5天,2021-07-24 预测的就是 2021-07-29 那天的收盘价格
df['label'] = df['Close'].shift(-predict_count)
print(df.head(20))
print(df.tail(20))
X = df.drop(['label'],axis=1)
print(X)
y = df['label'][:-predict_count]
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
print(X)
scale.fit(X)
X = scale.transform(X)
print(X)
X_lately = X[-predict_count:]
X = X[:-predict_count]
print(len(X))
print(len(X_lately))
print(X_lately)
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
print(len(x_train))
print(len(y_train))
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x_train, y_train)
# model.score(x_train, y_train)
model.score(x_test, y_test)
predict = model.predict(X_lately)
print(len(predict))
print(predict)
import numpy as np
df['predict'] = np.nan
print(len(df))
print(df.tail(20))
import datetime
# print(df.index[-1])
last_date_st = df.index[-1].timestamp()
next_date_st = last_date_st + 86400
# print(next_date)
for i in predict:
next_date = datetime.datetime.fromtimestamp(next_date_st)
df.loc[next_date] = [np.nan for _ in range(len(df.columns)-1)] + [i]
next_date_st += 86400
print(df.tail(40))
import matplotlib.pyplot as plt
import matplotlib.style as style
style.use('ggplot')
df['Close'].plot()
df['predict'].plot()
plt.show()
没有合适的资源?快使用搜索试试~ 我知道了~
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径。 随着统计学的发展,统计学习在机器学习中占据了重要地位,支持向量机(SVM)、决策树和随机森林等算法的提出和发展,使得机器学习能够更好地处理分类、回归和聚类等任务。进入21世纪,深度学习成为机器学习领域的重要突破,采用多层神经网络模型,通过大量数据和强大的计算能力来训练模型,在计算机视觉、自然语言处理和语音识别等领域取得了显著的成果。 机器学习算法在各个领域都有广泛的应用,包括医疗保健、金融、零售和电子商务、智能交通、生产制造等。例如,在医疗领域,机器学习技术可以帮助医生识别医疗影像,辅助诊断疾病,预测病情发展趋势,并为患者提供个性化的治疗方案。在金融领域,机器学习模型可以分析金融数据,识别潜在风险,预测股票市场的走势等。 未来,随着传感器技术和计算能力的提升,机器学习将在自动驾驶、智能家居等领域发挥更大的作用。同时,随着物联网技术的普及,机器学习将助力智能家居设备实现更加智能化和个性化的功能。在工业制造领域,机器学习也将实现广泛应用,如智能制造、工艺优化和质量控制等。 总之,机器学习是一门具有广阔应用前景和深远影响的学科,它将持续推动人工智能技术的发展,为人类社会的进步做出重要贡献。
资源推荐
资源详情
资源评论
收起资源包目录
机器学习相关算法.zip (3个子文件)
content
线性回归预测股票.py 2KB
sklearn线性回归.py 540B
手写线性回归.py 1KB
共 3 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3886
- 资源: 6780
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功