ComeçarComece de graça

Hierarquias de estoques

No capítulo 1, você usou o k-means clustering para agrupar empresas de acordo com os movimentos do preço das ações. Agora, você executará o agrupamento hierárquico das empresas. Você recebe uma matriz NumPy de movimentos de preços movements, em que as linhas correspondem às empresas, e uma lista dos nomes das empresas companies. O agrupamento hierárquico do SciPy não se encaixa em um pipeline do sklearn, portanto, você precisará usar a função normalize() de sklearn.preprocessing em vez de Normalizer.

linkage e dendrogram já foram importados de scipy.cluster.hierarchy, e o PyPlot foi importado como plt.

Este exercício faz parte do curso

Aprendizado não supervisionado em Python

Ver curso

Instruções do exercício

  • Importe normalize de sklearn.preprocessing.
  • Redimensione os movimentos de preço de cada ação usando a função normalize() em movements.
  • Aplique a função linkage() a normalized_movements, usando a ligação 'complete', para calcular o agrupamento hierárquico. Atribua o resultado a mergings.
  • Trace um dendrograma do agrupamento hierárquico, usando a lista companies de nomes de empresas como labels. Além disso, especifique os argumentos de palavra-chave leaf_rotation=90 e leaf_font_size=6 como você fez no exercício anterior.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import normalize
____

# Normalize the movements: normalized_movements
normalized_movements = ____

# Calculate the linkage: mergings
mergings = ____

# Plot the dendrogram
____
plt.show()
Editar e executar o código