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,安徽建设一个网站
#网络推广 发布时间： 2025-02-06
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
# 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
# 佛山网站优化效果
# seo优化的优势在哪里
# 雷州网站建站推广
# 岳池县网站推广
# 辽宁专业网站建设口碑好
# 购物网站建设优化案例
# 塘沽seo方案
# php网站建设案例
# 上海市网站推广排名前十
# 麻城企业网站推广哪家好
# 代做*关键词排名
# 篮彩论坛推广网站
# 网站宣传推广合作公司怎么做
# seo优化公司选哪家好
# 美容养生seo推广宣传
# 惠阳网站推广哪里好
# 河南网站建设加推广
# 建设网站如
# 亦庄网络营销和推广
# 北镇seo
上一篇 : 手机无法连接网络？详细步骤教你快速解决手机上网问题,建设政府网站服务
下一篇 : 手机突然无网络？揭秘原因及解决妙招，轻松恢复网络连接,赣州网站推广找博网
-
SEO外包最佳选择国内专业的白帽SEO机构，熟知搜索算法，各行业企业站优化策略！
SEO公司
-
可定制SEO优化套餐基于整站优化与品牌搜索展现，定制个性化营销推广方案！
SEO套餐
-
SEO入门教程多年积累SEO实战案例，从新手到专家，从入门到精通，海量的SEO学习资料！
SEO教程
-
SEO项目资源高质量SEO项目资源，稀缺性外链，优质文案代写，老域名提权，云主机相关配置折扣！
SEO资源
-
SEO快速建站快速搭建符合搜索引擎友好的企业网站，协助备案，域名选择，服务器配置等相关服务！
SEO建站
-
快速搜索引擎优化建议没有任何SEO机构，可以承诺搜索引擎排名的具体位置，如果有，那么请您多注意！专业的SEO机构，一般情况下只能确保目标关键词进入到首页或者前几页，如果您有相关问题，欢迎咨询！
