机器学习简易入门（一） - 线性回归

摘要：本文简单叙述了如何根据标准普尔500指数使用线性回归来预测股票的走势

声明：（本文的内容非原创，但经过本人翻译和总结而来，转载请注明出处）

本文内容来源：https://www.dataquest.io/mission/58/regression-basics

标准普尔500（S&P 500）说明：http://www.investopedia.com/ask/answers/05/sp500calculation.asp

 

原始数据展现（使用了2005年至2015年的数据）

import pandas

sp500 = pandas.read_csv("sp500.csv")

注意到上面的数据中有一些行（如第六行）的value值为点号（.），这是因为这个日期在美国是一个假日，所以没有股票交易信息，现在要过滤掉这些行

sp500 = sp500[sp500['value'] != '.']

 

格式化数据

为了更容易地使用机器学习的算法，需要把用来预测的值和预测后的真实值放在同一行，在这个例子中，我们要根据每一天的股票指数来预测下一个交易日的股票指数，所以要在每一行上增加下一天指数的列，我们需要的是这样格式的数据

next_day = sp500["value"].iloc[1:] 
sp500 = sp500.iloc[:-1,:] # 去掉最后一行
sp500["next_day"] = next_day.values

在导入文件的时候，Pandas会自动为每一列的数据推断数据格式，但由于在导入原始的文件时有一些行（如第六行）的value值为点号（.），所以pandas把该列认为是字符类型，而不是float类型，需要将该列转换数据格式

# 原始的数据格式

print(sp500.dtypes)

sp500['value'] = sp500['value'].astype(float)

sp500['next_day'] = sp500['next_day'].astype(float)

# 转换后的数据格式

print(sp500.dtypes)

 

建立模型

使用sckit-learn包中的线性回归（http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression）来预测下一个交易日的股票指数

#导入类

from sklearn.linear_model import LinearRegression

# 初始化

regressor = LinearRegression()

# predictors变量需要是一个dataframe，而不能是一个series

predictors = sp500[["value"]] # 这是一个dataframe

to_predict = sp500["next_day"] # 这是一个series

# 训练这个线性回归模型

regressor.fit(predictors, to_predict)

# 根据模型生成预测值

next_day_predictions = regressor.predict(predictors)

print(next_day_predictions)

 

评估模型

一个经常用于评估回归模型的指标是均方差（mean squared error, MSE），计算公式：

mse = sum((to_predict - next_day_predictions) ** 2) / len(next_day_predictions)

另外两个常用的指标是根均方差（root mean squared error, RMSE）和平均绝对误差（mean absolute error, MAE）

import math

rmse = math.sqrt(sum((predictions - test["next_day"]) ** 2) / len(predictions))

mae = sum(abs(predictions - test["next_day"])) / len(predictions)

 

在上面的评估模型中存在一个巨大的错误，那就是过度拟合：使用了同样的数据来训练模型和进行预测。想象一下，你告诉他人 2 + 2 等于4，然后问他2 + 2的结果，他可以马上回答你正确的答案，但是他未必明白加法运算的原理，假如你问他3 + 3的结果，他就可能回答不了。同样地，你用一批数据来训练这个回归模型，然后再用同样的数据来进行预测，会造成一个结果，那就是错误率非常低，因为这个模型早就知道了每个正确的值。

用来避免过度拟合的最好方法就是将训练的数据和用来预测（测试）的数据分开

import numpy as np

import random

np.random.seed(1)

random.seed(1)

#将sp500进行随机重排

sp500 = sp500.loc[np.random.permutation(sp500.index)]

# 选择前70%的数据作为训练数据

highest_train_row = int(sp500.shape[0] * .7)

train = sp500.loc[:highest_train_row,:]

#选择后30%的数据作为测试数据

test = sp500.loc[highest_train_row:,:]

regressor = LinearRegression()

predictors = train[['value']]

to_predict = train['next_day']

regressor.fit(predictors, to_predict)

next_day_predictions = regressor.predict(test[['value']])

mse = sum((next_day_predictions - test['next_day']) ** 2) / len(next_day_predictions)

 

数据可视化

除了上面用来评估模型误差的指标可以说明一个模型的正确性，也可以使用图表来展现，下面做一个散点图，很坐标为测试数据的value列，纵坐标为测试数据的next_day列。然后在上面再做一个折线图，横坐标同样为测试数据的value列，纵坐标为使用模型预测后的结果

import matplotlib.pyplot as plt

plt.scatter(test['value'], test['next_day'])

plt.plot(test['value'], predictions)

plt.show()