LoslegenKostenlos loslegen

Aktienhierarchien

In Kapitel 1 hast du k-means-Clustering benutzt, um Unternehmen nach ihren Aktienkursbewegungen zu gruppieren. Jetzt machst du ein hierarchisches Clustering der Firmen. Du bekommst ein NumPy-Array mit Kursbewegungen movements, wobei die Zeilen den Unternehmen entsprechen, und eine Liste mit den Namen der Unternehmen companies. Das hierarchische Clustering von SciPy passt nicht in eine sklearn-Pipeline, also musst du die Funktion „ normalize() ” von sklearn.preprocessing anstelle von „ Normalizer ” verwenden.

linkage dendrogram wurden schon von scipy.cluster.hierarchy importiert, und PyPlot wurde als plt importiert.

Diese Übung ist Teil des Kurses

Unüberwachtes Lernen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere normalize aus sklearn.preprocessing.
  • Skalier die Kursbewegungen für jede Aktie mit der Funktion „ normalize() ” auf movements.
  • Wende die Funktion „ linkage() “ auf „ normalized_movements “ an und benutze dabei die Verknüpfung „ 'complete' “, um das hierarchische Clustering zu berechnen. Weise das Ergebnis mergings zu.
  • Zeichne ein Dendrogramm der hierarchischen Clusterbildung, wobei du die Liste „ companies “ mit den Firmennamen als „ labels “ verwendest. Gib außerdem die Schlüsselwortargumente „ leaf_rotation=90 “ und „ leaf_font_size=6 “ an, so wie du es in der letzten Übung gemacht hast.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import normalize
____

# Normalize the movements: normalized_movements
normalized_movements = ____

# Calculate the linkage: mergings
mergings = ____

# Plot the dendrogram
____
plt.show()
Code bearbeiten und ausführen