基于机器学习的黄金价格预测案例

在这篇文章中，我们将从头开始做一个关于黄金价格预测的项目。要构建任何数据科学项目，我们必须遵循某些步骤，这些步骤不需要以相同的顺序进行。在我们的项目中，我们将按顺序完成这些步骤。

1. 问题表述

问题表述是我们在开始任何项目之前所做的最重要的步骤之一。必须对我们的数据科学项目的目标有一个明确的想法。在我们的例子中，这个项目的目标是分析黄金的价格。黄金的价格是不稳定的，它们随着时间的推移而迅速变化。我们这个项目的主要目的是预测每单位黄金的价格。

导入库

我们将在一个地方导入本文中使用的所有库，这样就不必每次使用时都导入，这将保存我们的时间和精力。

• Pandas -一个构建在NumPy之上的Python库，用于有效的矩阵乘法和矩阵操作，它也用于数据清理，数据合并，数据整形和数据聚合
• Numpy -一个用于数值数学计算和处理多维ndarray的Python库，它也有一个非常大的数学函数集合来操作这个数组
• Matplotlib -它用于绘制2D和3D可视化图，它还支持各种输出格式，包括图形
• Seaborn - seaborn库是在Matplotlib之上创建的，用于绘制漂亮的图。

import numpy as np 
import pandas as pd 
import seaborn as sns 
import matplotlib.pyplot as plt

import warnings
warnings.filterwarnings("ignore") 
sns.set_style("darkgrid", {
   "grid.color": ".6", 
						"grid.linestyle": ":"})

from sklearn.preprocessing import StandardScaler 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline 
from sklearn.linear_model import Lasso

from sklearn.ensemble import RandomForestRegressor 
from xgboost import XGBRegressor
from sklearn.metrics import r2_score
from sklearn.metrics import mean_squared_error 
from sklearn.model_selection import GridSearchCV

加载数据集

# read dataset using pndas function
# use parse_dates argument to change datetime dtype
# 数据集链接: https://pan.baidu.com/s/1RiOzXhG4zzM6xeWqcmqY6g?pwd=htf4 提取码: htf4 
dataset = pd.read_csv("gold_price_data.csv",
                      parse_dates=["Date"])

# information about the dataset
dataset.info()

输出

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2290 entries, 0 to 2289
Data columns (total 6 columns):
 #   Column   Non-Null Count  Dtype         
---  ------   --------------  -----         
 0   Date     2290 non-null   datetime64[ns]
 1   SPX      2290 non-null   float64       
 2   GLD      2290 non-null   float64       
 3   USO      2290 non-null   float64       
 4   SLV      2290 non-null   float64       
 5   EUR/USD  2290 non-null   float64       
dtypes: datetime64[ns](1), float64(5)
memory usage: 107.5 KB

2. 数据预处理

缺失值/重复值

缺失值对我们的模型训练有非常严重的影响。有些模型，如线性回归，不适合含有缺失值的数据集。然而，有一些模型即使在缺失数据集，如随机森林，也能很好地工作。但在处理数据集时，首先处理缺失值始终是一个好的做法。此外，需要注意的一点是，当我们使用pandas加载数据时，它会自动检测null值并将其替换为NAN。

# Missing Values/Null Values Count
dataset.isna().sum().sort_values(ascending=False)

输出

Date       0
SPX        0
GLD        0
USO        0
SLV        0
EUR/USD    0
dtype: int64

相关性

我们应该始终检查数据集的两列之间是否存在任何相关性。如果两个或多个列相互关联，并且它们都不是目标变量，那么我们必须使用一种方法来删除这种相关性。一些流行的方法是PCA（主成分分析）。我们还可以删除两个列中的一个，或者使用这两个列创建一个新列。

# Calculate correlation matrix
correlation = dataset.corr()

# Create heatmap
sns.heatmap(