如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解,清远市网站建设_网络推广

如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解,清远市网站建设

栏目：网络推广发布时间：2025-02-06

下一步是为验证集创建一个预测，并使用实际值检查RMSE。做出预测 preds = [] 对于我的范围（0,248）： a = train'close'.sum（） + sum ... 如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解

下一步是为验证集创建一个预测，并使用实际值检查RMSE。

做出预测

preds = []

对于我的范围（0,248）：

a = train'close'.sum（） + sum（preds）

B = A/248

preds。（b）

结果计算RMSE

rms = np.sqrt（np.mean（np.power（（（np.Array）（有效['close']） - preds），2））））））））））））））

RMS

104.548

仅检查RMSE并不能帮助我们了解模型的执行方式。让我们将其可视化以获得更直观的理解。因此，这是预测值与实际值的图。

绘制图片

有效[''] = 0

有效[''] = preds

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

RMSE值接近105，但是结果不是很有希望（从图可以看出）。预测值的范围与验证集中的观测值相同（最初有增加趋势，然后慢慢降低）。

在下一节中，我们将介绍两种常用的机器学习技术 - 线性回归和KNN，并了解它们在我们的股票市场数据上的表现。

2。线性回归简介

可以在此数据上实现的最基本的机器学习算法是线性回归。线性回归模型返回一个方程式，该方程式决定了独立变量和因变量之间的关系。

线性回归的方程式可以写为：

在这里，x1，x2，....xň表示自变量，而系数θ1，θ2，...θñ代表权重。

对于我们的问题描述，我们没有一组自变量。我们只有日期。让我们使用日期列来提取诸如 - 日，月，年，星期一/星期五之类的功能，然后适合线性回归模型。

代码

我们将首先按升序排序数据集，然后创建一个单独的数据集，以便创建的任何新功能都不会影响原始数据。

将索引设置为日期值

df ['date'] = pd。（df.date，='％y-％m-％d'）

df.index = df ['date']

种类

data = df。（= true，axis = 0）

创建一个单独的数据集

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

创建功能

从。

（， '日期'）

.drop（''，轴= 1，= true）＃将是时间戳

这创建了以下特征：

'年'，'月，“''，'day'，''，''，''，''，''，''，''，'，'，'，'，'，'，'，'，'，'，'，'，'，'，' '， ''，和 ''。

注意：我使用了库。如果您没有安装它，只需使用命令PIP即可。另外，您可以使用简单的循环创建此功能。我在下面显示了一个示例。

除此之外，我们还可以添加自己认为与预测有关的特征。例如，我的假设是，一周的第一天和最后几天可能会影响股票的收盘价，而远远超过了其他日子。因此，我创建了一项功能，该功能确定某个一天是星期一/星期五还是星期二/星期三/星期四。可以使用以下代码行完成：

[''] = 0

对于I范围（0，len（））：

if（''== 0或''== 4）：

''= 1

别的：

''= 0

如果一周中的一天等于0或4，则列值为1，否则为0。类似地，您可以创建多个功能。如果您对可以有助于预测股票价格的功能有一些想法，请在评论部分中分享它们。

现在，我们将数据分为培训和验证集以检查模型的性能。

分为训练集和验证集

火车= [：987]

有效= [987：]

= Train.Drop（'Close'，Axis = 1）

=火车['关闭']

=有效。drop（'Close'，Axis = 1）

=有效['close']

实现线性回归

从。

模型=（）

model.fit（，）

对结果进行预测并找到RMSE

preds =模型。（）

rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））

RMS

121.156

RMSE值高于先前的技术，该技术清楚地表明线性回归的性能差。让我们看一下图表，了解为什么线性回归做得不好：

绘制图片

有效[''] = 0

有效[''] = preds

有效index = [987：]。索引

train.index = [：987] .index

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

线性回归是一种简单的技术，很容易解释，但是有一些明显的缺点。使用回归算法的一个问题是该模型与日期和月列相匹配。该模型没有从一个月前的同一日期或一年前同一日期/月来考虑以前的值，而是从预测的角度考虑以前的值。

从上图可以看出，股价在2016年1月和2017年1月下降。该模型预测了2018年1月的情况。线性回归技术可以很好地解决诸如大型超市之类的销售问题，其中独立功能对确定目标值。

3. K-邻居简介

# 如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解 # 智能制造学院网站建设 # 天长市网站seo优化外包公司 # 做网站和优化共多少钱? # 宝贝补单关键词没有排名 # 莆田网站建设方案模板 # 河南关键词点击排名工具 # 金昌抖音营销推广公司电话 # 毕节seo推广平台公司 # 卫生督查网站建设内容 # 石家庄小学seo培训 # 餐饮营销推广视频 # 从化律师事务所网站建设 # 网站建设蜀美网络 # 绍兴网站优化经验师培训 # *游戏网站分站建设 # 休闲食物营销推广 # 长沙seo推广运营面试 # 平台网站优化哪个公司好 # 月嫂行业网站推广宣传 # 短信营销好还是推广好

相关栏目：【网络营销55532 】【网络推广33921 】【网络优化98863 】【网络学院69291 】【网络运营7217 】【 AI推广84713 】【百度推广30177 】

上一篇：综合SEO：如何在激烈的互联网竞争中脱颖而出,关键词排名推广效果好

下一篇：组建SEO小团队，开启您的数字营销新篇章,渭南网站制作与推广