1. Обучение
    2. /
  2. Курса
    3. /
  3. Машинное обучение для финансов на Python
Connected

Упражнение

Создание признаков и целевых переменных

Мы почти подготовили признаки и целевые переменные для машинного обучения: у нас есть признаки на основе текущих изменений цены (5d_close_pct) и индикаторы (скользящие средние и RSI), а также созданные целевые переменные — будущие изменения цены (5d_close_future_pct). Теперь нужно разбить всё это на отдельные массивы numpy, чтобы передать их в алгоритмы машинного обучения.

Из-за особенностей расчёта индикаторов в начале DataFrame появляются пропущенные значения. Их можно заполнить обратным заполнением, константой или просто удалить строки с пропусками. Удаление — наиболее предпочтительный вариант: оно не вносит искусственных данных, которые могут сбить алгоритмы машинного обучения с толку. Для этого в pandas есть функция .dropna(), которую мы и используем.

Инструкции

100 XP
  • Удалите пропущенные значения из lng_df с помощью .dropna() из pandas.
  • Создайте переменную, содержащую целевые переменные — значения '5d_close_future_pct'.
  • Создайте DataFrame, включающий как целевые переменные (5d_close_future_pct), так и признаки (из существующего списка feature_names), чтобы проверить корреляции.