我的数据中用于训练股票价格预测器的目标是什么？
What's the target in my data for training a stock price predictor?
我想为委内瑞拉的经济指标构建一个股票价格预测器，我已经清理并构建了我想使用的历史数据（从过去 10 年开始），但我有疑问，因为这是我的第一次机器学习项目，我的 CSV 数据包含 3000 多个条目，如下所示：
2553
11-28-2017;0.8823561
2554
11-29-2017;0.9679446
2555
11-30-2017;0.9719271
2556
12-1-2017;1.0302427
如您所见，第 0 列有日期，第 1 列有那个特定日期的价格，在这种情况下，训练数据 (X) 应该是价格，但是我想使用的方法期望 X和 Y（监督学习），因为这是我第一次获得自己的数据，我觉得有点迷茫，到目前为止你有我的代码：https://github.com/marcelodiaz558/Venezuela-dollar-price-predictor/blob/development/model.ipynb 我想在未来用 LSTM 或者也许我先从一个简单的人工神经网络开始做测试，当我解开对数据的疑惑时，我不知道Y应该是谁。
Y / 你的目标就是你想要预测的。 X / 你的训练数据是你先验知识的某种向量表示，可用于更好地预测未知量。在使用简单回归量的简单时间序列预测中，您的训练数据可能是过去 N 天的价格。
因此，使用您的示例数据，您希望能够根据过去两天 (N=2) 的价格预测未来某一天的价格，您的 X 和 Y 将是
X = [[0.8823561, 0.9679446], [0.9679446, 0.9719271]]
Y = [0.9719271, 1.0302427]
因此，要对您的数据进行机器学习，您需要根据您的需要对数据进行预处理。一些算法是专门为此任务设计的，因此不需要预处理或在实现中自动完成。
很遗憾，您选择了一个难题来开始学习 ML：Time Series
这里的问题是您必须尊重值的顺序。
所以一个时间序列有：
Timestamp t-3: 0.8823561
Timestamp t-2: 0.9679446
Timestamp t-1: 0.9719271
Timestamp t(prediction/ y): 1.0302427
R 附带了一个非常好的包，叫做：ARIMA。
一个问题是你必须检查你是否有季节性数据（一些模式经常出现在你的数据中），固定数据（如果数据趋势是固定的）。
我的建议是，如果您只想开始机器学习，请使用鸢尾花数据集解决分类问题。
我想为委内瑞拉的经济指标构建一个股票价格预测器，我已经清理并构建了我想使用的历史数据（从过去 10 年开始），但我有疑问，因为这是我的第一次机器学习项目，我的 CSV 数据包含 3000 多个条目，如下所示：
2553
11-28-2017;0.8823561
2554
11-29-2017;0.9679446
2555
11-30-2017;0.9719271
2556
12-1-2017;1.0302427
如您所见，第 0 列有日期，第 1 列有那个特定日期的价格，在这种情况下，训练数据 (X) 应该是价格，但是我想使用的方法期望 X和 Y（监督学习），因为这是我第一次获得自己的数据，我觉得有点迷茫，到目前为止你有我的代码：https://github.com/marcelodiaz558/Venezuela-dollar-price-predictor/blob/development/model.ipynb 我想在未来用 LSTM 或者也许我先从一个简单的人工神经网络开始做测试，当我解开对数据的疑惑时，我不知道Y应该是谁。
Y / 你的目标就是你想要预测的。 X / 你的训练数据是你先验知识的某种向量表示，可用于更好地预测未知量。在使用简单回归量的简单时间序列预测中，您的训练数据可能是过去 N 天的价格。
因此，使用您的示例数据，您希望能够根据过去两天 (N=2) 的价格预测未来某一天的价格，您的 X 和 Y 将是
X = [[0.8823561, 0.9679446], [0.9679446, 0.9719271]]
Y = [0.9719271, 1.0302427]
因此，要对您的数据进行机器学习，您需要根据您的需要对数据进行预处理。一些算法是专门为此任务设计的，因此不需要预处理或在实现中自动完成。
很遗憾，您选择了一个难题来开始学习 ML：Time Series
这里的问题是您必须尊重值的顺序。
所以一个时间序列有：
Timestamp t-3: 0.8823561
Timestamp t-2: 0.9679446
Timestamp t-1: 0.9719271
Timestamp t(prediction/ y): 1.0302427
R 附带了一个非常好的包，叫做：ARIMA。 一个问题是你必须检查你是否有季节性数据（一些模式经常出现在你的数据中），固定数据（如果数据趋势是固定的）。
我的建议是，如果您只想开始机器学习，请使用鸢尾花数据集解决分类问题。