首先把file_path = r"C:\Users\jack8\OneDrive\stock cow ai\data\tsmc stock\stock price.csv"…
- User
首先把file_path = r"C:\Users\jack8\OneDrive\stock cow ai\data\tsmc stock\stock price.csv" 給head出來,之後把所需的進行正規化標準化之後,實行訓練並預測出來
- Assistant
要实现您所需的功能,首先需要读取CSV文件并查看其头部数据,然后进行数据的正则化和标准化,最后训练模型并进行预测。以下是使用Python及其相关库(如Pandas、Scikit-Learn和可能的TensorFlow或PyTorch)来实现这些步骤的示范代码。
1. 导入必要的库
import pandas as pd from sklearn.preprocessing import StandardScaler, MinMaxScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression2. 读取数据并查看头部信息
# 定义文件路径 file_path = r"C:\Users\jack8\OneDrive\stock cow ai\data\tsmc stock\stock price.csv" # 读取数据 data = pd.read_csv(file_path) # 查看头部数据 print(data.head())3. 数据预处理(正则化和标准化)
假设您希望对某些特征进行标准化处理(例如:开盘价、收盘价等),我们可以使用
StandardScaler或MinMaxScaler来实现。# 假设我们需要标准化 'Open' 和 'Close' 列 features = data[['Open', 'Close']] # 使用标准化 scaler = StandardScaler() scaled_features = scaler.fit_transform(features) # 将标准化后的数据放入新的DataFrame scaled_data = pd.DataFrame(scaled_features, columns=['Open', 'Close'])4. 分割训练集和测试集
# 假设 'Close' 列为目标变量,特征为 'Open' X = scaled_data[['Open']] y = data['Close'] # 或是需要预测的列 # 分割数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)5. 训练模型并进行预测
这里我们使用线性回归模型作为示例:
# 创建线性回归模型 model = LinearRegression() # 训练模型 model.fit(X_train, y_train) # 进行预测 predictions = model.predict(X_test) # 查看预测结果 predicted_data = pd.DataFrame({'Actual': y_test, 'Predicted': predictions}) print(predicted_data)6. 评估模型效果
为了评估模型的效果,您可以使用均方误差(MSE)或决定系数(R²)。
from sklearn.metrics import mean_squared_error, r2_score mse = mean_squared_error(y_test, predictions) r_squared = r2_score(y_test, predictions) print(f'Mean Squared Error: {mse}') print(f'R² Score: {r_squared}')总结
上述代码段展示了如何读取CSV文件,进行简单的数据预处理(标准化),训练一个线性回归模型并进行预测。可以根据您的具体需求(例如选择的机器学习模型、更多的特征、数据清理等)进一步扩展脚本。请确保您的Python环境已安装所需的库(如pandas、scikit-learn等)。
- User
應該要有plt出來
- Assistant
当然可以。为了图形化结果,我们可以使用
matplotlib库来绘制实际值与预测值的对比图,帮助我们更好地理解模型的预测效果。以下是更新后的代码,包括可视化部分。1. 导入必要的库
确保您已经导入了
matplotlib库。import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score import matplotlib.pyplot as plt2. 读取数据并查看头部信息
# 定义文件路径 file_path = r"C:\Users\jack8\OneDrive\stock cow ai\data\tsmc stock\stock price.csv" # 读取数据 data = pd.read_csv(file_path) # 查看头部数据 print(data.head())3. 数据预处理(标准化)
# 假设我们需要标准化 'Open' 和 'Close' 列 features = data[['Open', 'Close']] scaler = StandardScaler() scaled_features = scaler.fit_transform(features) # 将标准化后的数据放入新的DataFrame scaled_data = pd.DataFrame(scaled_features, columns=['Open', 'Close'])4. 分割训练集和测试集
# 假设 'Close' 列为目标变量,特征为 'Open' X = scaled_data[['Open']] y = data['Close'] # 分割数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)5. 训练模型并进行预测
# 创建线性回归模型 model = LinearRegression() # 训练模型 model.fit(X_train, y_train) # 进行预测 predictions = model.predict(X_test) # 查看预测结果 predicted_data = pd.DataFrame({'Actual': y_test, 'Predicted': predictions}) print(predicted_data)6. 评估模型效果
mse = mean_squared_error(y_test, predictions) r_squared = r2_score(y_test, predictions) print(f'Mean Squared Error: {mse}') print(f'R² Score: {r_squared}')7. 可视化预测结果
在这一部分,我们将绘制实际值与预测值的对比图。
# 绘制实际值与预测值的对比 plt.figure(figsize=(10, 5)) plt.scatter(y_test, predictions, color='blue', label='Predicted vs Actual') plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2, label='Perfect Prediction') plt.xlabel('Actual Prices') plt.ylabel('Predicted Prices') plt.title('Actual vs Predicted Prices') plt.legend() plt.show()总结
上述代码段实现了对股票价格数据的读取、预处理、线性回归模型训练与预测,以及最终的可视化阶段,帮助您直观地理解模型的预测效果。您可以根据需要调整绘图的样式或数据,以便更好地展示结果。请确保您的机器上安装了
matplotlib库,可以通过以下命令安装:pip install matplotlib