戸田_backup の履歴(No.23)

研究会

専門ゼミ

引き継ぎ

中間発表ポスター

B3 後期授業

	月曜日	火曜日	水曜日	木曜日	金曜日
1-2				プログラミング言語	研究会
3-4			英語特別演習3	オペレーションズ・リサーチ	研究会
5-6	情報システム工学特別講義	卒研1	卒研1	卒研1
7-8	卒研1	研究会			技術者倫理
9-10		研究会
11-12

メモ

木下さんの卒研のデータとるやつを動かすときのコピペ

木下さんの卒研のindを動かすときのコピペ

大谷さんの卒研のindを動かすときのコピペ

コピペ

import pandas as pd
import numpy as np
from sklearn.metrics import r2_score
from pandas_datareader import data as pdr
from datetime import datetime
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
import matplotlib.pyplot as plt
plt.style.use("fivethirtyeight")
%matplotlib inline

# # データセット読み込み
path = 'C:/Users/pi/Desktop/fx-trading_system/fx-trading_system/MT5_usdjpy/in_dat/1D/USDJPY_Daily_202308310000_202408300000.csv'
df = pd.read_csv(path,
                 parse_dates=True,
                 index_col='<DATE>',
                 encoding="utf-8"
                )

#LSTMのためのデータを準備
# Close(終値)のデータ
data = df.filter(['<CLOSE>'])
dataset = data.values

# データを0〜1の範囲に正規化
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(dataset)
scaled_data

#訓練データを準備
# 全体の80%をトレーニングデータとして扱う
training_data_len = int(np.ceil( len(dataset) * .8 ))

# どれくらいの期間をもとに予測するか
window_size = 60

train_data = scaled_data[0:int(training_data_len), :]

# train_dataをx_trainとy_trainに分ける
x_train, y_train = [], []
for i in range(window_size, len(train_data)):
    x_train.append(train_data[i-window_size:i, 0])
    y_train.append(train_data[i, 0])

# numpy arrayに変換
x_train, y_train = np.array(x_train), np.array(y_train)
x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))

#モデルの実装と学習
model = Sequential()
model.add(LSTM(units=50,return_sequences=True,input_shape=(x_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')
history = model.fit(x_train, y_train, batch_size=32, epochs=100)

# テストデータを作成
test_data = scaled_data[training_data_len - window_size: , :]

x_test = []
y_test = dataset[training_data_len:, :]
for i in range(window_size, len(test_data)):
    x_test.append(test_data[i-window_size:i, 0])

# numpy arrayに変換
x_test = np.array(x_test)
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1 ))

# 予測を実行する
predictions = model.predict(x_test)
predictions = scaler.inverse_transform(predictions)

# 二乗平均平方根誤差（RMSE）: 0に近いほど良い
rmse = np.sqrt(np.mean(((predictions - y_test) ** 2)))
print(rmse)

# 決定係数(r2) : 1に近いほど良い
r2s = r2_score(y_test, predictions)
print(r2s)

train = data[:training_data_len]
valid = data[training_data_len:]
valid['Predictions'] = predictions
print(valid)

plt.figure(figsize=(16,6))
plt.title('Model')
plt.xlabel('Date', fontsize=14)
plt.ylabel('Close Price ', fontsize=14)
plt.plot(train['<CLOSE>'])
plt.plot(valid[['<CLOSE>', 'Predictions']])
plt.legend(['Train', 'Val', 'Predictions'], loc='lower right')
plt.show()

やること

研究会

研究会(戸田)

専門ゼミ

専門ゼミ(戸田)

引き継ぎ

引き継ぎ(戸田)

中間発表ポスター

中間発表(戸田)

B3 後期授業