dates, data = ft.readData(dailyfile, '1986-01-02', '2020-08-31') E = 6 tau = 1 elif (mode == "monthly_data+"): # weekly_data+ print("===MONTHLY DATASET===") dates, data = ft.readData(dailyfile, '1986-01-02', '2020-08-31') E = 5 tau = 1 ''' data preprocessing ''' P = 1 # P days/weeks/months after target_P = 4 gap = target_P - P dataX, dataY, index, dateY = ft.extracting(tau, E, P, data, dates, mode) test_ratio = 0.2 test_size = int(len(data) * test_ratio) print("size of dataset:", len(data)) print("size of test dataset:", test_size) # Train trX = dataX[:-test_size] trY = dataY[:-test_size] trYdate = dateY[:-test_size] # Test teX = dataX[-test_size - gap:-gap] teY = dataY[-test_size:] teYdate = dateY[-test_size:]
import GKFN import ft data = ft.readData() # 선택된 E, tau 값을 이용하여 데이터를 재구성합니다. E = 6 tau = 9 P = 1 # P는 몇일 뒤 값을 예측할 지 설정 해주는 parameter입니다. 예를 들어 하루 뒤 값을 예측하는 것이면 P = 1 # train set 및 test set을 구성합니다. dataX, dataY = ft.extracting(tau, E, P, data) trX = dataX[:-92] teX = dataX[-92:] trY = dataY[:-92] teY = dataY[-92:] # parameter를 설정하고 학습을 시킵니다. alpha = 0.25 loop = 5 Kernel_Num = 150 GKFN.GKFN(trX, trY, teX, teY, alpha, loop, Kernel_Num)