Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-mini-2024-07-18· OpenAIAi2 WildChat-4.8M (AI2)

首先把file_path = r"C:\Users\jack8\OneDrive\stock cow ai\data\tsmc stock\stock price.csv"…

  1. 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

  2. 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 LinearRegression
    

    2. 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)。

  3. User

    應該要有plt出來

  4. 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 plt
    

    2. 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