Este proyecto implementa dos modelos, uno de regresión lineal múltiple desde cero,por otro lado, el segundo modelo utiliza Baggin Regressor. Utilizando Python, para predecir el precio de cierre del oro a partir de datos históricos de precios y volumen. El objetivo es mostrar el flujo completo de un proyecto de machine learning: desde la preparación de los datos hasta la visualización y análisis de resultados.
El modelo utiliza como variables de entrada los precios de apertura, máximo, mínimo y el volumen de transacciones del oro. La variable objetivo es el precio de cierre del oro. El proceso incluye la normalización de los datos, el entrenamiento del modelo mediante gradiente descendente y la evaluación de los resultados a través de diferentes visualizaciones.
main.py: Script principal con todo el código del modelo y visualización.financial_regression.csv: Archivo de datos históricos de precios y volúmenes de metales preciosos.requirements.txt: Lista de dependencias necesarias para ejecutar el proyecto.
- Clona este repositorio:
git clone https://github.com/tu_usuario/tu_repositorio.git cd tu_repositorio - Instala las dependencias:
pip install -r requirements.txt
Asegúrate de que el archivo financial_regression.csv esté en la misma carpeta que el script principal. Luego ejecuta:
python main.py
python main_frame.py
Los scripts entrenarán un modelo y mostrarán varias gráficas:
- Predicciones vs valores reales
- Curva de error (MSE) durante el entrenamiento
- Histograma de errores absolutos
- Python 3.x
- numpy
- pandas
- matplotlib
El archivo financial_regression.csv contiene más de 3900 registros históricos de precios y volúmenes de oro, plata y otros metales preciosos. Para este proyecto, solo se utilizan las columnas relacionadas con el oro. Los datos se normalizan antes de entrenar el modelo para mejorar la eficiencia y precisión del aprendizaje.
Rodrigo Antonio Benítez De La Portilla
Si tienes dudas o sugerencias, no dudes en abrir un issue o un pull request.