1. Обучение
    2. /
  2. Курса
    3. /
  3. Machine Learning для фінансів у Python
Connected

Упражнение

Створення ознак і цілей

У нас вже майже готові ознаки й цілі для машинного навчання — маємо ознаки з поточних змін цін (5d_close_pct) та індикаторів (ковзні середні й RSI), а також створили цілі — майбутні зміни ціни (5d_close_future_pct). Тепер потрібно розбити це на окремі масиви numpy, щоб передати їх до алгоритмів машинного навчання.

Через обчислення індикаторів на початку датафрейма з'являються пропущені значення. Ми могли б заповнити їх зсувом назад, сталим значенням або видалити рядки. Видалення рядків — гарний вибір, щоб алгоритми машинного навчання не плуталися через штучно заповнені або нульові дані. У pandas є функція .dropna(), за допомогою якої ми видалимо всі рядки з пропущеними значеннями.

Инструкции

100 XP
  • Видаліть пропущені значення з lng_df за допомогою .dropna() з pandas.
  • Створіть змінну, що містить наші цілі — значення '5d_close_future_pct'.
  • Створіть DataFrame, який містить і цілі (5d_close_future_pct), і ознаки (містяться в наявному списку feature_names), щоб ми могли перевірити кореляції.