LSTM用于股票预测
库
使用到的库:Pandas库
一,数据处理
一,加载数据集
二,获取第六列数据,转成列表
三,对每一列数据做归一化处理.(MinMaxScaler)
MinMaxScaler
作用是每一列,即每一维特征。将每一维特征线性地映射到指定的区间,通常是[0, 1]。MinMaxScaler
计算数据集的汇总统计量,并产生一个MinMaxScalerModel
。注意
因为零值转换后可能变为非零值,所以即便为稀疏输入,输出也可能为稠密向量。
该模型可以将独立的特征的值转换到指定的范围内。
它也有两个参数可以设置:
- min: 默认为0。指定区间的下限。
- max: 默认为1。指定区间的上限。
二,LSTM网络
# create and fit the LSTM network, optimizer=adam, 25 neurons, dropout 0.1
# 创建并适应LSTM网络,优化器=adam, 25个神经元,dropout 0.1
model = Sequential()
model.add(LSTM(25, input_shape=(1, look_back)))
model.add(Dropout(0.1)) #损失值:0.1
model.add(Dense(1)) #全连接层,以(*,1)数组输出
model.compile(loss='mse', optimizer='adam') #用于配置训练模型 optimizer:优化器adam,loss:mse
model.fit(trainX, trainY, epochs=1000, batch_size=240, verbose=1)
功能显示:
为什么没有显示预测多少,它就预测了未来这么多的数量?
1.数据的变化
数据归一化处理:(5024,1)
数据分训练集和测试集:(2517,1),(2517,1)
构造新的数据,数组转成矩阵(二维张量)(为什么不要最后的240数据,倒数的前2276数据包含最后的数据240.):(2276,240)
将二维张量构造为三维张量,将输入重塑为[样本、时间步长、特征]:(2276, 1, 240)
待输入模型的数据,trainX.shape前2276,trainY.shape从240到2516的2276.:trainX.shape,(2276, 1, 240);trainY.shape,(2276,).
2.程序的结构图
3改变参数,epochs:训练模型迭代的次数为1000,2000,10000的时候.
4.基于LSTM的股票收盘价预测分析