关于机器学习与比特币的示例

比如测试阀值为0.55，那么如不雅决定计划的概率为array([ 0.5378, 0.4622])，那么经由过程阀值二分化后结不雅为(0, 0)，这个结不雅将不计入精确率统计中，即认为未杀青有效的决定计划，但如不雅决定计划的概率为 array([ 0.9711, 0.0289])，那么经由过程阀值二分化后结不雅为(1, 0)，认为杀青有效的决定计划，当有效的决定计划精确率达到参数accuracy_match传递的值，本例中应用0.85即85%的┞俘确率时，停止搜刮，本例返回的结不雅为0.580，即应用阀值0.580可以杀青非均衡决定计划的85%精确率。

备注：与之对应search_match_neg_threshold进行阀值搜刮，大年夜0.5至0.01典范围内开端赓续向下调果断策阀值，更多详情请浏览源代码。

下面应用0.580做为阀值，经由过程predict_proba_threshold函数进行决定计划，代码如下：

y_prob_threshold = [btc_ml.predict_proba_threshold(x_test[test_ind], 0.580, 0) 
 
for test_ind in np.arange(0, matrix_test.shape[0])]

膳绫擎predict_proba_threshold传递的第三个参数0为未杀青有效决定计划的情况下返回的决定计划结不雅，即阀值二分化后结不雅为(0, 0)后这里返回0，因为在比特币这个示例中如不雅交易者想要保守的方法决定计划今天是否合适做日内交易，那么就欲望只在有很大年夜概率的情况下返回1，即合适交易，其它情况下没有太大年夜把握下全部返回0即可，下面应用precision_score计算查准率：

4. 持续AbuMLPd对数据处理进行封装

metrics.precision_score(y_test, y_prob_threshold)

1.0

在猪老三的童话中我设定的可以影响股价走势的参数是有限个的，特别是影响涨跌的身分很轻易构造特点。在真实的市场中可以影响股价走势的身分是无穷多的，并且这些身分之间的也可所以相干的。就像你求铰一?方程组，这个方程组不是有一个两个解，它是有无穷个解的体系，并且每个解都与其他随便率性个解相干，但又并非简单线性相干。市场是一个二级混沌体系，认为任何想经由过程技巧对股价进行猜测或者涨跌猜测都是弗成能的，不伦你本身认为你应用的技巧本身有多精深，无异于管中窥豹。

metrics.recall_score(y_test, y_prob_threshold)

0.20000000000000001

与膳绫擎的情况相反也有些激进的交易者想要的决定计划结不雅是只要今天不是很大年夜把握说没有行情，那就进行交易。

下面应用0.90做为阀值，经由过程predict_proba_threshold函数进行决定计划，第三个参数1即在为未杀青有效决定计划的情况下返回的决定计划结不雅为1，可以看到结不雅的决定计划中大年夜多半都被决定计划为1，代码如下：

y_prob_threshold = [btc_ml.predict_proba_threshold(x_test[test_ind], 0.90, 1) 
 
for test_ind in np.arange(0, matrix_test.shape[0])] 
 
pd.Series(y_prob_threshold).value_counts()

1 49 
 
0 9 
 
dtype: int64

在abupy中不建议直接应用AbuML类进行构造，推荐应用持续AbuMLPd后实现make_xy办法，在make_xy中将数据练习集和测试集进行组装完成，AbuMLPd基类经由过程代劳办法对AbuML中的所有办法进行代劳，即可以和应用AbuML中的办法一样的接口操作，本节应用的示例内置在abupy项目中BtcBigWaveClf类，具体实现请直接浏览BtcBigWaveClf。

小结：因为abupy中内置沙盒数据没有分时的数据，所以本示例应用日线数据做为分析对象，实际策略中应当应用的是分钟数据，本节示例重要为合营abupy中机械进修模块的应用示例所写，与真实的日内交易决定计划还有很大年夜差别。

【编辑推荐】

若何更好地浏览包含很多半学相干内容的机械进修论文？
分布式机械进修平台大年夜比拼：Spark、PMLS、TensorFlow、MXNet
你需懂得的机械进修算法、若何开辟机械进修模型？
若何开端应用Java机械进修
机械进修教材中的7大年夜经典问题

【义务编辑：庞桂玉 TEL：（010）68476606】

10/10 首页上一页 8 9 10

　　推荐阅读

　　数据分析让零售业再现生机

瞬息万变的经济情况、难以捉摸的零售业发卖情况、日益冷僻典大年夜型卖场–这一切都给本土零售业带来了重重艰苦。然则，我们也在黑阴郁看到了一线曙光。进入数字时代，技巧和数据的有>>>详细阅读

本文标题：关于机器学习与比特币的示例

地址：http://www.17bianji.com/lsqh/37053.html

1/2 1