第三天的特点避免应用high是因为练习的目标y是big_wave，之所以可以应用当天的low是因为比特币市场的特点为24小时交易，即没有明白的一天的概念，也即没有明白一天中的最低，实盘应用即人工对当缁ゎ低根据24小时最低进行猜测，或直接应用24小时最低，或者应用当前的最新价格都可，构成数据后应用模型进行决定计划，决定计划的结不雅即为将来数小时内是否会有大年夜的波动，实际上最终大年夜波动的决定计划成立，须要其它很多模型合谋生效，比如外盘的走势决定计划等等。

btc_train0 = btc_siblings_df(btc_train_raw) 
 
btc_train0.tail() 

 

如上所示如许我们只能获得454条练习集数据，但因为每3条持续交易日数据组合成一个特点，只要向前跳一条数据进行特点组合采取即可以获得另一组新特点，下面分别跳过第一个，第二个数据，采取btc_train1，btc_train2：

btc_train1 = btc_siblings_df(btc_train_raw[1:]) 
 
btc_train2 = btc_siblings_df(btc_train_raw[2:])  

下面将前面保存切割的60条测试数据进行特点采取组合，方法和采取练习集时一样，代码如下所示：

下面把膳绫擎的3组特点连起来，然后把周几这个特点应用pd.get_dummies进行离散化处理，使得所有特点值典范围都在0-1之间，最终的特点如下btc_train所示：

2. abu中内置机械进修模块的应用

下面应用abupy中内置机械进修对象AbuML对特点数据进行封装，代码如下所示，下面的y值等于big_wave列：

train_matrix = btc_train.as_matrix() 
 
y = train_matrix[:, 0] 
 
x = train_matrix[:, 1:] 
 
btc_ml = AbuML(x, y, btc_train)  

AbuML会根据数据特点主动内部选择应用分类器或者回归器，下面进行特指最优分类器操作，比如特指应用随机丛林做为分类器，履行random_forest_classifier_best会在内部对n_estimators参数和练习集数据进行grid search拟合，寻找最合适的参数最终做为内部分类器：

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
 
max_depth=None, max_features='auto', max_leaf_nodes=None, 
 
min_impurity_split=1e-07, min_samples_leaf=1, 
 
min_samples_split=2, min_weight_fraction_leaf=0.0, 
 
n_estimators=260, n_jobs=1, oob_score=False, random_state=None, 
 
verbose=0, warm_start=False)  

所有best函数中寻找最优参数内部只根据进修器的特灯揭捉?找起码量的参数设置，如不雅须要自定义参数范围可应用如下所示：

param_grid = {'max_features': ['sqrt', 'log2'	
			
 5/10   首页 上一页 3 4 5 6 7 8 下一页 尾页
	
			

　　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