Data standaardiseren

Sommige modellen, zoals K-nearest neighbors (KNN) en neural networks, werken beter met geschaalde data — daarom standaardiseren we onze data.

We verwijderen ook onbelangrijke variabelen (dag van de week) op basis van feature-importance door de features-DataFrames te indexeren met .iloc[]. KNN gebruikt afstanden om vergelijkbare punten voor voorspellingen te vinden, dus grote features wegen zwaarder dan kleine. Door te schalen los je dat op.

skslearn's scale() zal data standaardiseren, waarbij het gemiddelde op 0 en de standaardafwijking op 1 wordt gezet. Idealiter gebruiken we StandardScaler met fit_transform() op de trainingsdata en fit() op de testdata, maar we zijn hier beperkt tot 15 regels code.

Zodra we de data hebben geschaald, controleren we of het gewerkt heeft door histogrammen van de data te plotten.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Verwijder de dag-van-de-week-features uit de train/test-features met .iloc (dag van de week zijn de laatste 4 features).
Standaardiseer train_features en test_features met sklearns scale(); sla de geschaalde features op als scaled_train_features en scaled_test_features.
Plot een histogram van het 14-daags RSI-voortschrijdend gemiddelde (geïndexeerd op [:, 2]) uit ongeschaalde train_features op de eerste subplot (ax[0]]).
Plot een histogram van het gestandaardiseerde 14-daags RSI-voortschrijdend gemiddelde op de tweede subplot (ax[1]).

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

from sklearn.preprocessing import scale

# Remove unimportant features (weekdays)
train_features = train_features.iloc[:, :-4]
test_features = test_features.____

# Standardize the train and test features
scaled_train_features = scale(train_features)
scaled_test_features = ____

# Plot histograms of the 14-day SMA RSI before and after scaling
f, ax = plt.subplots(nrows=2, ncols=1)
train_features.iloc[:, 2].hist(ax=____)
ax[1].hist(scaled_train_features[:, 2])
plt.show()

Code bewerken en uitvoeren