目标:
构建一个Python深度学习模型.用于预测股票价格的流行度.需要了解深度学习概念,特别是LSTM理论.
介绍:
LSTM在序列预测问题中非常强大.主要是它能够存储过去的信息.
学习模型一:
数据预处理:
机器学习离不开大量的数据,在这些数据分析前,先学习在Python中如何导入数据并对它进行预处理.
Python数据分析必须的库有两个:
Numpy库包含了各种数学计算函数
Pandas库用于导入和管理数据集.
导入数据集:
数据集通常是csv格式.csv以纯文本形式保存表格数据,文件的每一行是一条数据记录.用Pandas的read_csv方法读取本地csv文件作为一个数据帧(dataframe),然后从数据帧中制作自变量和因变量的矩阵和向量。iloc 的作用是通过行列号来获取数据,而 loc 则是通过标签索引数据。
基础了解:
列表:[1,2,3]
向量:一维数组,[1,2,3,4,5,6]
矩阵:二维数组,是列表的列表,[[1,2,3],[4,5,6]]
三维数组:
将降维后的数据转换成原始数据:inverse_transform
预测效果:
内容:
使用训练数据集1975个数据,预测16个数据.
与测试集真实16个数据做比较.