1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie nienadzorowane w Pythonie
Connected

ćwiczenie

Klasteryzacja akcji za pomocą KMeans

W tym ćwiczeniu przeprowadzisz klasteryzację spółek na podstawie dziennych zmian cen ich akcji (czyli różnicy w dolarach między ceną zamknięcia a ceną otwarcia w każdym dniu handlowym). Otrzymujesz tablicę NumPy movements zawierającą dzienne zmiany cen z lat 2010–2015 (pobraną z Yahoo! Finance), gdzie każdy wiersz odpowiada jednej spółce, a każda kolumna – jednemu dniu handlowemu.

Niektóre akcje są droższe od innych. Aby to uwzględnić, dodaj Normalizer na początku potoku. Normalizer przed rozpoczęciem klasteryzacji niezależnie przekształci ceny akcji każdej spółki do skali względnej.

Zwróć uwagę, że Normalizer() różni się od StandardScaler(), którego używano w poprzednim ćwiczeniu. StandardScaler() standaryzuje cechy (takie jak cechy danych o rybach z poprzedniego ćwiczenia) przez odjęcie średniej i skalowanie do wariancji jednostkowej, natomiast Normalizer() przeskalowuje każdą próbkę – tutaj: ceny akcji każdej spółki – niezależnie od pozostałych.

KMeans i make_pipeline zostały już za ciebie zaimportowane.

Instrukcje

100 XP
  • Zaimportuj Normalizer z sklearn.preprocessing.
  • Utwórz instancję Normalizer o nazwie normalizer.
  • Utwórz instancję KMeans o nazwie kmeans z 10 klastrami.
  • Za pomocą make_pipeline() utwórz potok o nazwie pipeline, który łączy normalizer i kmeans.
  • Dopasuj potok do tablicy movements.