プロセス:
ステップ 1: このコード スニペットをコピーして、オンライン/デスクトップの #IDE 、#MetaAI 、または #ChatGPT に貼り付けます。
コードスニペット:
pandasをpdとしてインポートする
sklearn.ensemble から RandomForestRegressor をインポートします
sklearn.model_selection から train_test_split をインポートします
sklearn.metricsからmean_absolute_errorをインポートします
# CSVファイルを読み込む
file_path = 'path_to_your_file.csv' # ファイルパスに置き換えます
列名 = [
「timestamp_start」、「open」、「high」、「low」、「close」、「volume」、
'timestamp_end'、'unknown1'、'unknown2'、'unknown3'、'unknown4'、'unknown5'、'unknown6'
]
# 正しい列名でCSVファイルをロードします
notcoin_data = pd.read_csv(ファイルパス、名前=列名、スキップ行=1)
# タイムスタンプを読み取り可能な日付形式に変換する
notcoin_data['timestamp_start'] = pd.to_datetime(notcoin_data['timestamp_start'], 単位='ms')
notcoin_data['timestamp_end'] = pd.to_datetime(notcoin_data['timestamp_end'], 単位='ms')
# 特徴量とターゲット変数を準備する
notcoin_data['next_close'] = notcoin_data['close'].shift(-1)
特徴 = notcoin_data[['始値', '高値', '安値', '終値', '出来高']].iloc[:-1]
ターゲット = notcoin_data['next_close'].iloc[:-1]
# データをトレーニングセットとテストセットに分割する
X_train、X_test、y_train、y_test = train_test_split(特徴、ターゲット、テストサイズ=0.2、ランダム状態=42)
# ランダムフォレストモデルをトレーニングする
モデル = RandomForestRegressor(n_estimators=100, random_state=42)
モデルをフィット(X_train, y_train)
# モデルを評価する
予測 = model.predict(X_test)
mae = 平均絶対誤差(y_test, 予測)
print(f"平均絶対誤差: {mae}").
ステップ 2: 次の終値を予測したい暗号通貨の CSV ファイル (.csv) を #Binance からダウンロードします。
目的の暗号の .csv ファイルをダウンロードしたら、このファイルを MetaAI/ChatGPT にアップロードするか、IDE が .csv ファイルにアクセスして使用するための場所/パスを設定します。
ステップ 3: コード スニペットと .csv ファイルを設定したら、プログラム本体を実行するだけで次の終値を取得できます。
免責事項:
予測結果は、提供された .csv ファイル データによって異なります。
予測価格と実際の価格の間には、0.001 程度の差が生じる可能性があります。
常に調査を実施し、暗号通貨のボラティリティに注意してください。
この投稿は完全に公平であり、プログラムによって生成された予測出力を保証するものではありません。
投資の決定を下す前に、暗号通貨の潜在的な危険性に注意してください。
![](https://public.bnbstatic.com/image/pgc/202406/a7a32da2ec1a1f271af00b4bdee6acba.png)
乞うご期待!
より関連性の高いコンテンツが必要な場合は、コメント欄でお知らせください。