特征工程的重要性
特征工程是机器学习中非常重要的一步。特征工程是指将人工特征设计到算法中的过程。然后该算法使用这些人工特征来提高其性能，或者换句话说，获得更好的结果。数据科学家大部分时间都花在数据上，使模型准确变得很重要。
当特征工程活动正确完成时，生成的数据集是最佳的，并且包含影响业务问题的所有重要因素。由于这些数据集，产生了最准确的预测模型和最有用的见解。
这就是特征工程的全部。
因此，在我们的案例中，我们将创建一些技术指标，
首先是我们自己创建，然后是使用现成的技术分析库。
获取股票价格
首先要安装本文中需要用到的一些库：
google colab环境版命令(本地环境+jupyter也是同样的命令)：
!pip install yfinance !pip install ta
本地环境+pycharm版命令（在终端输入）：
pip install yfinance pip install ta
导入必要的库：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('seaborn')
import warnings
warnings.filterwarnings('ignore')
import yfinance as yf
导入谷歌股票数据作为案例：
df = yf.download('GOOG')
df.columns
如果是科学上网，则用如下命令导入谷歌数据，端口号根据您自己的科学上网代理端口而定：
df = yf.download('GOOG', proxy="http://127.0.0.1:7890")
df.columns
然后要重命名这些列。为什么？因为当你要做一些特征工程时，例如你创建一个函数来完成所有的特征工程过程，你需要做一些统一标准的工作。
如果您只使用股票价格，则需要对这些列统一名称。例如，这里我选择了将收盘价列统一名称为“close”
在雅虎财经中，叫“Adj Close”。在 MetaTrader 5 中名称是“Close”，如果你使用其他平台，可能还有其他不同的名称。因此统一标准很重要，这里我们是将所有的股票价格都命名为“close”。
df = df[['Adj Close']] df.columns = ['Close'] df
原创文章，作者：朋远方，如若转载，请注明出处：https://caovan.com/05-jinrongtezhenggongcheng/.html
微信扫一扫 