# 本次報告之程式範例
1. import
將套件引入
```python=
import 套件名 as 自訂名
#範例:
import numpy as np
```
2. pdr.datareader
```python=
velue=pdr.datareader("股票代碼","yahoo","選取時間段前","選取時間段後")
#範例:
data=pdr.datareader('2330.tw','yahoo','2018-1-01','2019-12-31')
```
3. .drop
將陣列指定項目砍掉，本次研究中砍掉了調整後的收盤價與成交量。
```python=
velue.drop([指定項目])
#範例:
data.drop(["adj close","volume"])
```
4. def FunctionsName(velue){}
建立函數以下和js比較
```javascript=
//javascript
function FunctionsName(velue){
return
}
```
```python=
#python
def FunctionsName(velue):
return
```
5. velue=Sequential()
將一變數指定為連續模型
```python=
model=Sequential()
```
6. velue.add()
將神經網路或函數功能加入該模型中
```python=
model.add(layers.LayerName(inner)) #inner:該層可設定之屬性
#範例:
model.add(layers.Dense(1)) #一般NN,一個神經元
model.add(layers.LSTM(1000, input_shape(look_back=20,1),activation="relu")) #LSTM,1000個神經元,輸入向量二階20*1維,啟動函數=relu
```
7. velue.compile()
將模型編譯
```python=
model.compile('loss=mean_squared_error', optimizer='Adam', metrics='acc') #損失函數=均方誤差,優化器=Adam,準確率指標
```
8. velue1=velue2.fit()
開始訓練模型並將訓練過程紀錄至velue1.history
```
velue=model.fit(
train_data, #訓練資料
val_data, #驗證資料
epoch=20, #訓練次數
batch_size=1, #跑1組訓練資料更新一次模型權重
)
print(velue.history) #顯示訓練過程資料 loss分數、指標等等
```
9. velue.predict()
進行預測
```python=
velue=model.predict(
test_data #傳入測試資料
)
print(velue) #顯示測試結果
```
Sign in with Wallet
Connect another wallet