Машинное обучение для прогнозирования роста и падения цен на акции на следующий день с использованием обучения ансамблевому голосованию в Python.
1. установка инструмента
$ pip install scikit-learn pandas_datareader rgf-python xgboost
2. создание файла
3. исполнение
$ python pred.py
4. результат
В результате расчета с одинаковыми данными и признаками MLP оказались лучшими среди XGBoost, DNN, LSTM, GRU, RNN, LogisticRegression, k-ближайшего соседа, RandomForest, BernoulliNB, SVM, RGF, MLP, Бэггинг, Голосование, Стэкинг.
XGBoost 0.5119047619047619 DNN 0.5496031746031746 LSTM 0.5178571428571429 GRU 0.5138888888888888 RNN 0.5376984126984127 LogisticRegression 0.5496031746031746 k-nearest neighbor 0.5198412698412699 RandomForest 0.49603174603174605 BernoulliNB 0.5496031746031746 SVM 0.5396825396825397 RGF 0.5158730158730159 MLP 0.5694444444444444 Bagging 0.5297619047619048 Voting 0.5416666666666666 Stacking 0.5218253968253969
5. ссылка
sklearn.ensemble.VotingClassifier — документация scikit-learn 0.24.1
Если установлено значение «жесткий, для голосования по правилу большинства используются прогнозируемые метки классов. В противном случае, если мягкий, предсказывает метку класса на основе…scikit-learn.org»