1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning pour la finance en Python
Connected

Exercice

Créer les caractéristiques et les cibles

Nous avons presque des caractéristiques et des cibles prêtes pour le Machine Learning : nous avons des caractéristiques issues des variations de prix actuelles (5d_close_pct) et des indicateurs (moyennes mobiles et RSI), et nous avons créé des cibles correspondant aux variations de prix futures (5d_close_future_pct). Il nous reste maintenant à les séparer en tableaux numpy distincts afin de pouvoir les fournir aux algorithmes de Machine Learning.

Nos indicateurs entraînent aussi des valeurs manquantes au début du DataFrame en raison des calculs. Nous pourrions rétro-remplir ces données, les remplir avec une valeur unique ou supprimer les lignes. Supprimer les lignes est un bon choix, afin que nos algorithmes de Machine Learning ne soient pas déroutés par des données rétro-remplies ou remplies de 0. Pandas offre une fonction .dropna() que nous allons utiliser pour supprimer toute ligne contenant des valeurs manquantes.

Instructions

100 XP
  • Supprimez les valeurs manquantes de lng_df avec .dropna() de pandas.
  • Créez une variable contenant nos cibles, soit les valeurs de '5d_close_future_pct'.
  • Créez un DataFrame contenant à la fois les cibles (5d_close_future_pct) et les caractéristiques (présentes dans la liste existante feature_names) afin que nous puissions vérifier les corrélations.