Блог

Я пытаюсь создать модель машинного обучения для прогнозирования запасов Apple, впервые пытаюсь и действительно основываюсь в основном на видеороликах YouTube. Но я действительно не понимаю причину ошибки. Я уже пробовал отделить функцию, но это потребовало изменить форму массивов и использовать массивы numpy.

 import pandas as pd
import numpy as np
import csv
from sklearn.svm import SVR
from matplotlib import pyplot as plt

dta = pd.read_csv('aapl.csv')

dta.Date = dta.Date.apply(pd.to_datetime)
dates = np.array(dta.Date)
prices = np.array(dta.Open)

def predicted_prices(dates,prices,x):
    dates = np.reshape,(len(dates),1)

    svr_lin = SVR(kernel='linear', C=1e3)
    svr_poly = SVR(kernel='poly', C = 1e3, degree = 2)
    svr_rbf =SVR(kernel = 'rbf', C=1e3, gamma=0.1)
    svr_lin.fit(dates, prices)
    svr_poly.fit(dates,prices)
    svr_rbf.fit(dates,prices)

    plt.scatter(dates,prices,color='black',label='Data')
    plt.plot(dates,svr_rbf.predict(dates),color='red',label='RBF model')
    plt.plot(dates,svr_lin.predict(dates),color='green',label='Linear Model')
    plt.plot(dates,svr_poly.predict(dates),color='blue',label='Polynomial model')
    plt.xlabel('Date')
    plt.ylabel('Price')
    plt.title('Support Vector Regression')
    plt.legend()
    plt.show()

    return svr_rbf.predict(x)[0], svr_lin.predict(x)[0],svr_rbf.predict(x)[0]
predicted_prices(dates,prices,29)
  

Я ожидаю получить график прогнозируемых значений.

Журнал ошибок:

     ---------------------------------------------------------------------------
    TypeError                                 Traceback (most recent call last)
 <ipython-input-1-6870461ae560> in <module>()
 33     return svr_rbf.predict(x)[0], svr_lin.predict(x)

[0],svr_rbf.predict(x)[0]
     34 
---> 35 predicted_prices(dates,prices,29)

<ipython-input-1-6870461ae560> in predicted_prices(dates, prices, x)
     17     svr_poly = SVR(kernel='poly', C = 1e3, degree = 2)
     18     svr_rbf =SVR(kernel = 'rbf', C=1e3, gamma=0.1)
---> 19     svr_lin.fit(dates, prices)
     20     svr_poly.fit(dates,prices)
     21     svr_rbf.fit(dates,prices)

C:UserschrisAnaconda2libsite-packagessklearnsvmbase.pyc in fit(self, X, y, sample_weight)
    147         X, y = check_X_y(X, y, dtype=np.float64,
    148                          order='C', accept_sparse='csr',
--> 149                          accept_large_sparse=False)
    150         y = self._validate_targets(y)
    151 

C:UserschrisAnaconda2libsite-packagessklearnutilsvalidation.pyc in check_X_y(X, y, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, warn_on_dtype, estimator)
    754                     ensure_min_features=ensure_min_features,
    755                     warn_on_dtype=warn_on_dtype,
--> 756                     estimator=estimator)
    757     if multi_output:
    758         y = check_array(y, 'csr', force_all_finite=True, ensure_2d=False,

C:UserschrisAnaconda2libsite-packagessklearnutilsvalidation.pyc in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    525             try:
    526                 warnings.simplefilter('error', ComplexWarning)
--> 527                 array = np.asarray(array, dtype=dtype, order=order)
    528             except ComplexWarning:
    529                 raise ValueError("Complex data not supportedn"

C:UserschrisAnaconda2libsite-packagesnumpycorenumeric.pyc in asarray(a, dtype, order)
    499 
    500     """
--> 501     return array(a, dtype, copy=False, order=order)
    502 
    503 

TypeError: float() argument must be a string or a number
  

Ошибки, которые я обнаруживаю (пожалуйста, предоставьте журнал ошибок):

Очевидно, что это ошибка

 dates = np.reshape,(len(dates),1)
  

который должен быть чем-то вроде:

 dates = np.reshape(dates, (len(dates),1))
  

Кроме того, когда вы устанавливаете SVR, вы указываете в виде X дату и в виде y цену. Это позволяет алгоритму научиться прогнозировать с использованием дат. Вы уверены, что это лучшая функция для прогнозирования цены? Возможно, вам следует использовать другие акции или бизнес-индикаторы.

Надеюсь, это поможет.

П.Д.: пожалуйста, отправьте журнал ошибок, и я буду рад помочь вам лучше.