输出结果:
38/38 [==============================] - 2s 46ms/step - loss: 0.0013Epoch 94/10038/38 [==============================] - 2s 46ms/step - loss: 0.0013Epoch 95/10038/38 [==============================] - 2s 47ms/step - loss: 0.0012Epoch 96/10038/38 [==============================] - 2s 46ms/step - loss: 0.0013Epoch 97/10038/38 [==============================] - 2s 46ms/step - loss: 0.0013Epoch 98/10038/38 [==============================] - 2s 47ms/step - loss: 0.0013Epoch 99/10038/38 [==============================] - 2s 46ms/step - loss: 0.0012Epoch 100/10038/38 [==============================] - 2s 46ms/step - loss: 0.0013
5、使用已经训练好的LSTM模型预测股价
测试集为2017年1月到3月的股价,因为使用的是前60天的股价数据,使用预测的是4月份股价 。
= .iloc[:,4:5].
# 产生标签数据
_,= (, )
#特征数据和标准化
= sc.()
,_ = (, )
# 转换成(样本数, 时步, 特征)张量
= np.(, (.shape[0], .shape[1], 1))
= model.()
# 将预测值转换回股价
= sc.()
输出结果:
array([[814.5596 ],[819.2384 ],[821.1239 ],[823.5624 ],[824.0013 ],[822.3476 ],[819.3523 ],[816.00055],[813.82117],[812.62726],[812.6262 ],[812.9471 ],[817.2544 ],[821.539],[824.44244],[826.5891 ],[828.0157 ],[834.4217 ],[843.3087 ],[849.4051 ],[852.694]], dtype=float32)
6、绘制真实股价与预测股价的对比图
. as plt
plt.plot(, color="red", label="Real Stock Price")
plt.plot(, color="blue", label=" Stock Price")
plt.title("2017Stock Price ")
plt.("Time")
plt.(" Time Price")
plt.()
plt.("E:\工作\硕士\博客\博客37-/.png",
="tight",
= 1,
= True,
="w",
='w',
dpi=300,
='')
输出结果:
【深度学习之搭建LSTM模型预测股价】更多优质内容持续发布中,请移步主页查看 。
- 区块链三加一:深度论区块链的联盟链意义与作用
- 【redis源码学习】看看redis的“哈希表”实现
- STM32学习笔记 | 片内FLASH读写失败问题分析
- 【数学基础】 线性代数以及符号编总
- 心得 | 《用得上的商学课》001 机会成本 | 放弃掉的鱼,是选择熊掌的代价?
- TCP/IP网络编程 学习笔记_11 --多进程服务器端
- C++学习--点滴记录007
- 转自知乎javaIO理解
- 小白看完都学会了!五年Android开发者小米、阿里面经,大厂面经合集
- 商品期货学难嘛 期货技术分析难学吗