pandas 数据框用作神经网络的输入？

Question

我正在尝试从头开始创建最基本的神经网络来预测苹果的股票。以下代码是我迄今为止在查看数据科学教程的帮助下得到的代码。然而，我正在实际输入数据并确保其正确。我会输入股票交易的 pandas 数据框架。这是我对NN的看法。

• 5 个输入节点（开盘、收盘、最高、最低、成交量）*注意 - 这将位于带有日期时间索引的 pandas 数据框中
• AF 对每个输入的权重求和。
• 用于标准化值的 Sigmoid 函数
• 1 个输出（adj close）*不确定我应该使用什么作为实际值

然后该过程是使用反向传播技术向后移动。

import pandas as pd
import pandas_datareader as web
import matplotlib.pyplot as plt
import numpy as np

def sigmoid(x):
    return 1.0/(1+ np.exp(-x))

def sigmoid_derivative(x):
    return x * (1.0 - x)

class NeuralNetwork:
    def __init__(self, x, y):
        self.input      = x
        self.weights1   = #will work out when i get the correct input
        self.weights2   = #will work out when i get the correct input                
        self.y          = y
        self.output     = #will work out 

    def feedforward(self):
        self.layer1 = sigmoid(np.dot(self.input, self.weights1))
        self.output = sigmoid(np.dot(self.layer1, self.weights2))

    def backprop(self):
        # application of the chain rule to find derivative of the loss function with respect to weights2 and weights1
        d_weights2 = np.dot(self.layer1.T, (2*(self.y - self.output) * sigmoid_derivative(self.output)))
        d_weights1 = np.dot(self.input.T,  (np.dot(2*(self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1)))

        # update the weights with the derivative (slope) of the loss function
        self.weights1 += d_weights1
        self.weights2 += d_weights2


if __name__ == "__main__":
    X = #need help here
    y = #need help here
    nn = NeuralNetwork(X,y)

    for i in range(1500):
        nn.feedforward()
        nn.backprop()

    print(nn.output)

如果您有任何建议、更正或任何其他信息，请告诉我，因为我全身心投入学习神经网络。

谢谢。

Answer 1

在神经网络中直接使用 Pandas 绝对是荒谬的。表现将会很糟糕。相反，您要做的是传入底层 numpy 数组。

X = df[['Open','Close','High','Low','Volume']].values

y = df['adj close'].values

这能回答问题吗？