LoslegenKostenlos loslegen

Hierarchien von Aktien

In Kapitel 1 hast du mit k-means Unternehmen anhand ihrer Aktienkursbewegungen geclustert. Jetzt führst du die hierarchische Clusterbildung der Unternehmen durch. Du erhältst ein NumPy-Array mit Kursbewegungen movements, wobei die Zeilen Unternehmen entsprechen, und eine Liste mit Unternehmensnamen (companies). Da die hierarchische Clusterung aus SciPy nicht in eine sklearn-Pipeline passt, musst du statt Normalizer die Funktion normalize() aus sklearn.preprocessing verwenden.

linkage und dendrogram wurden bereits aus scipy.cluster.hierarchy importiert, und PyPlot wurde als plt importiert.

Diese Übung ist Teil des Kurses

Unsupervised Learning in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere normalize aus sklearn.preprocessing.
  • Skaliere die Kursbewegungen für jede Aktie neu, indem du die Funktion normalize() auf movements anwendest.
  • Wende die Funktion linkage() auf normalized_movements an und nutze 'complete'-Linkage, um das hierarchische Clustering zu berechnen. Weise das Ergebnis mergings zu.
  • Zeichne ein Dendrogramm der hierarchischen Clusterung und nutze die Liste companies mit Unternehmensnamen als labels. Gib außerdem die Keyword-Argumente leaf_rotation=90 und leaf_font_size=6 an, wie in der vorherigen Übung.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import normalize
____

# Normalize the movements: normalized_movements
normalized_movements = ____

# Calculate the linkage: mergings
mergings = ____

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