Özellikler ve hedefler oluştur
Artık Machine Learning için neredeyse hazır özellikler ve hedeflere sahibiz -- mevcut fiyat değişimlerinden (5d_close_pct) ve göstergelerden (hareketli ortalamalar ve RSI) gelen özelliklerimiz var ve gelecekteki fiyat değişimlerinden (5d_close_future_pct) hedefler oluşturduk. Şimdi bunları ayrı numpy dizilerine ayırmamız gerekiyor ki Machine Learning algoritmalarına besleyebilelim.
Göstergelerimizin hesaplamaları nedeniyle DataFrame'in başında eksik değerler de oluşuyor. Bu verileri geriye doldurabilir, tek bir değerle doldurabilir ya da satırları düşürebiliriz. Satırları düşürmek iyi bir seçimdir; böylece Machine Learning algoritmalarımız geriye doldurulmuş ya da 0 ile doldurulmuş verilerden etkilenmez. Pandas, eksik değeri olan satırları düşürmek için kullanacağımız .dropna() fonksiyonuna sahiptir.
Bu egzersiz, kursun bir parçasıdır
Python ile Finans için Machine Learning
Egzersiz talimatları
- pandas'taki
.dropna()ilelng_df'den eksik değerleri düşür. - Hedeflerimizi içeren bir değişken oluştur; bunlar
'5d_close_future_pct'değerleridir. - Korelasyonları kontrol edebilmek için hem hedefleri (
5d_close_future_pct) hem de özellikleri (mevcutfeature_nameslistesinde yer alan) içeren bir DataFrame oluştur.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Drop all na values
lng_df = lng_df.____
# Create features and targets
# use feature_names for features; '5d_close_future_pct' for targets
features = lng_df[feature_names]
targets = lng_df[____]
# Create DataFrame from target column and feature columns
feature_and_target_cols = ['5d_close_future_pct'] + ____
feat_targ_df = lng_df[feature_and_target_cols]
# Calculate correlation matrix
corr = feat_targ_df.corr()
print(corr)