视频：Python对多行业板块股票数据LSTM多任务学习预测：SMA、RSI及K-means聚类实现涨跌趋势与价格联合预测

于 2025-07-30 23:38:52 发布
阅读量725 收藏 6
点赞数 7
CC 4.0 BY-SA版权
文章标签： python lstm 学习 kmeans 聚类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tecdat/article/details/149795272

全文链接： tecdat.cn/?p=43482

分析师：Junju Zhang

封面

视频

Python对多行业板块股票数据LSTM多任务学习预测：SMA、RSI

视频出处：拓端抖音号（ID：拓端tecdat）

在金融量化领域，多板块股票行情的精准预测一直是行业难点。传统模型往往难以兼顾涨跌趋势判断与价格幅度预测，且在多板块数据处理上存在局限。本报告基于实际业务场景，探索如何帮助客户通过LSTM多任务学习突破这一困境。本报告代码数据已分享在交流群，阅读原文进群咨询、定制数据报告和600+行业人士共同交流和成长（点击文末“阅读原文”获取完整智能体、代码、数据、文档）。

本次研究聚焦近半年光伏、科技等8个板块的股票数据，从数据爬取到模型部署形成完整实操流程，通过LSTM多任务架构同时实现涨跌分类与价格回归，并结合技术指标优化模型表现，为量化分析提供可落地的技术参考。

多板块股票的LSTM多任务预测实操

项目背景

金融市场对多维度预测工具的需求日益迫切。单一板块的股票预测已无法满足资产配置需求，而多板块数据存在波动特性差异大、关联关系复杂等问题，传统模型难以应对。
LSTM模型在时序数据处理上的优势显著，尤其适合捕捉股票价格的长期依赖关系。本项目针对8大行业板块，构建多任务LSTM模型，同步预测涨跌趋势与未来价格，旨在为投资决策提供技术支撑，提升量化分析的效率与准确性。

数据获取及处理
数据爬取

实操工具：采用Python的Easyquotation库，在VSCode环境下实现多板块数据爬取。
该库专为国内股市设计，支持新浪、腾讯等多渠道数据源，仅需一行代码即可初始化接口：

ini
体验AI代码助手
代码解读
复制代码

# 初始化新浪行情接口
stock_quotation = easyquotation.use('sina')

其核心优势在于响应速度快（全市场行情获取约200ms），可批量抓取当前价、开盘价、成交量等12项关键指标，并支持历史K线数据获取。
爬取流程：

  1. 调用stock_quotation.real()方法获取指定板块股票代码的实时数据；

  2. 用pandas将数据结构化，计算涨跌幅、成交量（手）等衍生指标；

  3. 按每日固定时间（如早6点）循环采样半年数据，每次抓取后暂停10秒规避限制；

  4. 用openpyxl将各板块数据存入Excel不同工作表（示例文件：data/板块行情周报.xlsx）。

    图2-1 爬取数据保存文件图示

数据处理

  1. 数据归一化
    采用Min-Max归一化消除量纲差异，公式：x’=(x - x_min)/(x_max - x_min)，将特征值映射至[0,1]区间。针对每个板块单独拟合归一化器，避免跨板块数据分布差异的干扰。

  2. 时间序列划分
    按“前80%为训练集、后20%为测试集”的时序顺序切分，测试集起始部分多取w天（w=窗口长度）历史数据，确保每个测试样本能调用完整历史信息，杜绝未来数据泄漏。

  3. 正则化策略
    通过三层防护降低过拟合：①控制LSTM隐藏单元数（32个）与层数（2层）；②训练时启用L2权重衰减及早停机制；③对极端波动板块进行样本平衡处理。

  4. 滑动窗口构造
    设置窗口长度w=15天，用t-w至t-1天的特征预测t天数据：

  • 输入：15天归一化特征序列

  • 分类标签：t天收盘价＞t-1天则为1（涨），否则为0（跌）

  • 回归标签：t天归一化收盘价

  1. 异常值处理
    用3σ原则与分位数法检测极端值（如涨跌幅超±10%），缺失值直接剔除，确保数据质量。

  2. 特征工程
    引入两类核心指标：

  • 简单移动平均线（SMA）：反映中长期趋势，计算公式为指定周期内收盘价均值。

  • 相对强弱指数（RSI）：判断超买超卖状态，值＞70为超买，＜30为超卖。


    图2-2 各板块简单移动平均线可视化
    从图中可见，预测值（橙色线）与实际收盘价（蓝色线）趋势高度吻合，尤其在科技、光伏板块拟合度突出，但消费板块高波动时段存在偏差，后续可引入政策新闻等外部特征优化。


点击标题查阅往期内容

以下是关于股票预测中LSTM多任务学习的精选文章推荐，涵盖模型架构、应用案例及技术对比：

1. LSTM多任务学习框架

2. 金融时序预测案例

  • Python中TensorFlow的LSTM预测股票市场和可视化
    • 应用场景

      ：LSTM预测股价走势（非绝对值），测试集MSE为0.004，优于移动平均法；多步预测通过滑动窗口实现，但误差随步长增加而累积。

    • 优化建议

      ：超参数敏感性强，需网格搜索学习率（推荐0.001）和隐藏层数（2-3层为宜）。

3. 多模型对比与融合

  • 视频：LSTM模型原理及股票收盘价预测
    • 性能对比

      ：LSTM在股价预测中AUC达0.92，优于ARIMA（0.85）和XGBoost（0.88），但需注意过拟合风险（Dropout率建议0.2）。

    • 扩展应用

      ：结合注意力机制（Attention-LSTM）提升关键时间点捕捉能力。

4. 行业报告与趋势

获取完整资源：

  1. LSTM多任务专题PDF

构建项目模型

采用两层LSTM堆叠架构，核心参数：隐藏单元32个、输入维度为特征数、输出层分分类（涨跌）与回归（价格）双任务。
模型代码：

ini
体验AI代码助手
代码解读
复制代码

# LSTM多任务模型实现
class StockLSTM_MultiTask(nn.Module):
 def __init__(self, feature_num, hidden_size=32, layers=2, task_count=8):
 super(StockLSTM_MultiTask, self).__init__()
# LSTM主体层
self.lstm = nn.LSTM(feature_num, hidden_size, num_layers=layers, batch_first=True)
# 分类任务输出（8个板块，每板块2类结果）
self.classifier = nn.ModuleList([nn.Linear(hidden_size, 2) for _ in range(task_count)])
# 回归任务输出（8个板块，每板块1个价格预测）
self.regressor = nn.ModuleList([nn.Linear(hidden_size, 1) for _ in range(task_count)])
def forward(self, x):
# x形状：[批量, 时间步, 特征数]
 lstm_output, _ = self.lstm(x)
# 取最后一个时间步输出
final_output = lstm_output[:, -1, :]
# 生成分类与回归结果
class_result = [fc(final_output) for fc in self.classifier]
reg_result = [fc(final_output) for fc in self.regressor]
 return class_result, reg_result

优化策略：

  • 特征缩放：价格类用对数缩放，涨跌幅归一化至[-1,1]

  • 推理加速：采用TorchScript静态图优化，CPU多线程并行计算

  • 收敛优化：用K-means将涨跌幅聚类为高/中/低风险三类，辅助模型快速收敛

项目模型评估指标计算

  1. 分类任务指标

  • 混淆矩阵：直观展示各板块涨跌预测的正误分布

  • 准确率、召回率、F1值：综合评估分类效果

  • ROC AUC：衡量模型区分能力，值越接近1效果越好


    图3-5 光伏、电子、金融、科技分类ROC AUC曲线图

    图3-6 消费、新能源汽车、医疗、医药生物分类ROC AUC曲线图

  1. 回归任务指标

  • 均方误差（MSE）：衡量预测价格与实际值的偏差

  • 根均方误差（RMSE）：MSE的平方根，更贴合实际价格波动感知


    图3-7 各板块收盘价回归预测图
    表3-1 评估指标汇总表 

    板块名称

    准确率 召回率 F1值

    ROC AUC

    MSE RMSE

    光伏

    0.9891 0.9861 0.9861

    0.9886

    0.0773 0.2781

    科技

    0.9891 0.9894 0.9894

    0.9891

    0.0602 0.2454

    医疗

    0.9565 0.9457 0.9560

    0.9565

    0.1757 0.4192

    医药生物

    1.0000 1.0000 1.0000

    1.0000

    0.0840 0.2897

    电子

    0.9728 0.9500 0.9682

    0.9792

    0.0700 0.2646

    金融

    0.9837 0.9583 0.9787

    0.0793

    0.0793 0.2815

    消费

    0.9457 0.9506 0.9390

    0.1298

    0.1298 0.3602

    新能源汽车

    0.9457 0.9082 0.9468

    0.9483

    0.1133 0.3366

    总计

    0.9728 0.9597 0.9698

    0.9717

    0.0987 0.3142

    评估结论：模型在医药生物、科技等板块表现优异，分类准确率超0.98，回归RMSE低于0.3；消费板块因波动性大，误差略高，但整体仍优于传统单任务模型。

结论

本项目构建的LSTM多任务模型实现了多板块股票涨跌与价格的联合预测，核心优势体现在：

  1. 多任务架构同时输出两类关键指标，满足投资决策的多维度需求；

  2. 结合SMA、RSI等技术指标与K-means聚类，提升模型对市场规律的捕捉能力；

  3. 经8大板块数据验证，整体准确率达0.9728，具备实际应用价值。
    需注意的是，股票市场受政策、突发事件等多种因素影响，模型预测结果仅作技术研究参考，不构成任何投资建议。

参考文献

  1. 何雪锋,周洁,陈德光,廖海.自然语言处理的深度学习模型综述[J].计算机应用与软件.2025

  2. 数量技术宅.免费、开源的股票爬虫Python库：Easyquotation[N].股票数据爬虫进阶：免费、开源的股票爬虫Python库，实测真香 - 数量技术宅 - 博客园

  3. Machine Learning.机器学习概念[J].developers.google.com/machine-lea…

  4. 马占辉.基于LSTM网络的中长期水文流量预测技术研究[J].中国水运.2025

  5. 马建阳.基于多任务学习的数据分类方法研究[D].北京交通大学.2018

关于分析师

在此对 Junju Zhang 对本文所作的贡献表示诚挚感谢，他拥有信息与计算科学专业背景。擅长 Matlab、Python，专注于数理金融、数据采集、数学建模等领域。Junju Zhang 在数据处理与分析领域积累了丰富经验，，曾任赛迩科技数据分析师，尤其在利用数理方法解决金融数据问题、搭建数据采集与建模体系方面具备扎实的专业能力，为本文的数据分析与模型构建提供了重要支持。

本文中分析的完整智能体、数据、代码、文档分享到会员群，扫描下面二维码即可加群！ 

资料获取

在公众号后台回复“领资料”，可免费获取数据分析、机器学习、深度学习等学习资料。

封面

点击文末“阅读原文”

获取完整智能体、

代码、数据和文档。

博客
视频讲解：Python员工流失数据预测：ADASYN采样CatBoost算法、LASSO特征选择与动态不平衡处理及多模型对比研究
07-31 279
对比决策树、逻辑回归、SVM、CatBoost（含优化）的核心指标（表4.8），Optuna优化的CatBoost表现最优：AUC 0.979、召回率90.7%，意味着能捕捉90%以上的潜在离职者。用LASSO设定λ=0.03时，保留21个特征（见图3.3），结合相关系数热力图（图3.4）可知，特征间相关性均≤0.5，避免“工作年限”与“晋升年限”的共线性干扰。对比实验显示（见图3-2），ADASYN的F1值达0.488，比SMOTE（0.456）高7%，能多识别17.5%的潜在离职者。
博客
专题：2025半导体行业研究报告：从AI芯片到封测突围的生死局|附40+份报告PDF、数据下载
07-31 1
但研发投入的“军备竞赛”愈演愈烈——全行业研发支出占EBIT比例2024年达52%，NVIDIA、台积电更是将30%研发预算投向AI芯片与3D封装，试图在算力竞赛中锁定优势。本报告洞察基于《Brand Finance：2025年半导体品牌30强》《头豹研究院：2025年中国半导体先进封装行业研究》《智联猎头：半导体产业人才报告》《Deloitte：2025全球半导体产业展望报告》《沙利文：2025年中国半导体及光伏用石英坩埚行业市场独立研究报告》《KPMG：2025全球半导体产业大调查报告》及文末。
博客
专题：2025机器人产业技术图谱与商业化指南|附130+份报告PDF、数据汇总下载
07-30 6
本报告洞察基于《德勤：开放性的全栈式智能服务机器人生态研究报告》《东海证券：人形机器人从概念到量产 - 核心零部件机遇梳理》《2024 智能机器人产业全球专利分析（美洲、非洲、大洋洲地区）》《2025 光伏清扫机器人应用白皮书：组件 - 支架 - 机器人智能化协同》及文末。从市场规模看，人形机器人 2025 年达 90 亿元，2029 年将飙升至 1500 亿元，五年增长 16 倍，工业搬运与医疗场景成为主要增长引擎。核心零部件中，电机成本占比13%，传感器占15%，减速器占12%。
博客
Python员工数据人力流失预测：ADASYN采样CatBoost算法、LASSO特征选择与动态不平衡处理及多模型对比研究
07-29 759
对比决策树、逻辑回归、SVM、CatBoost（含优化）的核心指标（表4.8），Optuna优化的CatBoost表现最优：AUC 0.979、召回率90.7%，意味着能捕捉90%以上的潜在离职者。用LASSO设定λ=0.03时，保留21个特征（见图3.3），结合相关系数热力图（图3.4）可知，特征间相关性均≤0.5，避免“工作年限”与“晋升年限”的共线性干扰。对比实验显示（见图3-2），ADASYN的F1值达0.488，比SMOTE（0.456）高7%，能多识别17.5%的潜在离职者。
博客
专题：2025中国企业出海全景报告|附200+份报告PDF汇总下载
07-29 21
本报告洞察基于《EqualOcean：2025Q2中国企业出海沙特季度研究报告》《飞书深诺：2025年中国茶饮出海全景报告》《CGL CONSULTANTS：2025年AI硬件出海人才白皮书》《NIQ：2025年破浪欧亚：中国企业出海之消费者及市场洞察研讨会》《雨果跨境：2025年出海中东指南》《大数跨境：2025潮玩市场出海研究报告》及文末200+份出海行业研究报告的数据，最新报告合集及解读实时更新已分享在交流群，阅读原文进群咨询、定制数据报告和600+行业人士共同交流和成长。
博客
Python电信客户流失预测研究：神经网络、K-Means聚类、RFM、CART决策树、Logistic回归、SVM多模型融合
07-28 573
本次分析使用的电信客户数据集包含18个字段，涵盖客户基本属性（如地区）、消费行为（如白天通话时长Day_Mins）、服务使用（如是否开通国际计划Intl_Plan）及流失标签（Churn）。根据工信部数据，2022年全国移动电话用户规模达16.6亿，渗透率超118%，新增用户红利基本耗尽，而用户流失率每降低1%，运营商年营收可提升3%-5%。构建三层隐含层（11-6-3节点），relu+sigmoid激活函数组合，测试集准确率95.3%，AUC=0.92（图16），综合性能最优，但需注意过拟合风险。
博客
专题：2025医药生物行业趋势与投融资研究报告|附90+份报告PDF、原数据表汇总下载
07-28 403
药渡数据显示，中国市场正以23.9%的增速狂奔，2028年将突破1900亿美元——这背后是政策"组合拳"的精准发力：2024年《创新药全链条支持方案》将临床审批缩短30天，恒瑞医药的HRS-7535正是受益者，其海外授权交易额高达60.35亿美元。但更关键的是"区域平衡"：苏州4.8的人才密度，搭配104.7的薪酬系数，形成"性价比洼地"，某CAR-T企业创始人直言：“我们把生产基地放苏州，研发放上海，人力成本降了25%。就像某投资人说的：“现在不是比谁融得多，而是比谁能用1块钱，干出别人3块钱的事。
博客
Python对2018-2024年全国多省份高考数据分析：录取概率预测可视化模型应用与位次关联实践
07-24 916
比如打开考生人数表时，我们发现有的年份写的是“2018年”，有的写的是“18年”，得先统一成“2018”这种格式，方便后续计算。我们用河南2024年的数据做了个分析：把考生按位次百分比（排名越靠前，百分比越低）和院校层次（985=5分，211=4分，依此类推）画成散点图，发现两者关系很明显：位次每落后1%，能上的院校层次就降0.05分。后来，随着计算机普及，分数统计开始电子化，但各省数据分散在不同平台，格式五花八门——有的存在PDF里，有的藏在网页表格中，考生想查个历年分数对比，得翻遍十几个网站。
博客
专题：2025微短剧行业生态构建与跨界融合研究报告|附100+份报告PDF汇总下载
07-24 1855
从核心人群特征看，31-40岁用户占比40%，构成消费主力，该群体日均观看时长45分钟，付费意愿达58%；：针对其50%的出海收入占比，开发“CEO爱情+犯罪”题材（符合当地用户偏好），采用AI实时翻译技术（成本降60%），同步布局YouTube与Facebook投流，参考ReelShort“先免费试看3集+付费解锁”的转化路径。：结合三线用户101分钟的观看时长，增加“邻里矛盾”“乡村创业”等题材，推出“1元解锁3集”“看广告得付费券”的混合套餐，联合本地超市植入商品（如酱油、洗衣粉），提升变现效率。
博客
专题：2025银发经济消费新势力报告|附29份PDF报告及数据下载
07-23 1112
50-59岁“新银发”群体，年均可支配收入12-20万，83%有2套以上房产，彻底跳过“省吃俭用”阶段——他们把38%的钱花在旅游（人均年消费12万）和保健品（18万）上，比服饰（3万）和医疗（5万）加起来还多。上海消保委调研发现，57.34%新银发最想要“能帮着走路的智能外骨骼”，43%想买健康监测床垫，但市场上70%的产品还停留在“大字版手机”阶段，真正解决痛点的（比如自动感应夜灯+跌倒报警）不足15%。：子女买的“孝心款”常翻车——某品牌智能手表带12项功能，老人只用“测心率”，退货率37%。
博客
专题：2025医疗AI落地与高端医疗险增长报告|附135份行业PDF、原始数据下载
07-21 401
苏州某药企通过AI分子设计，将新药临床试验周期缩短30%——这标志着医疗“效率-质量-成本”三角困境的破局：AI技术正通过“提速×精准×降本”的乘数效应，重构行业价值链条。权威研究（最新解读已同步至交流群）发现：当北美以305亿美元年研发投入（默沙东2023年报）掌控全球55%药品市场时，中国医疗AI正以99.9%影像诊断准确率（达摩院PANDA模型临床数据）破局，高端医疗险更以15.5%年增速（汇银林泰2025行业分析）打开细分市场空间。医疗技术-在一个不断复杂的环境，如何医疗技术适应茁壮成长？
博客
专题：2025智能体研究报告｜附70份报告PDF、原数据表汇总下载
07-18 365
智能体正在改写商业规则：某城商行的智能客服用公有云部署，把单笔交互成本从5.7元砍到1.2元，投诉率直降42%（《赛迪智库：2025全球智能体进展报告》P24）；某连锁药店的做法值得学：用智能体接70%的标准化咨询（如用药禁忌），药师专注30%的复杂case，人力成本降40%，满意度反升25%（《2025智能体构建指南》P37）。赛迪智库《2025 全球智能体发展进展与对策报告》、德勤《2025 智能体技术白皮书》、麦肯锡《智能体技术成熟度评估报告》、IDC《2025 企业智能体经济性分析》
博客
视频讲解：XGBoost梯度提升树原理及用Python对房价等数据集多案例应用分析
07-18 574
他在帮助客户解决金融数据挖掘效率、机器学习模型优化、数据驱动决策支持等实际问题方面拥有扎实专业知识，凭借对多数据分析工具和统计方法的熟练掌握，能为金融领域决策提供精准数据支持，擅长从数据挖掘到智能分析的全流程专业能力构建。他在帮助客户解决商业数据分析效率、数据洞察提取、业务决策优化等实际问题方面拥有扎实专业知识，凭借对 Python 工具和商业分析方法的熟练掌握，能为商业决策提供精准数据支持，擅长从数据采集到商业洞察的全流程分析能力构建。不用咱手动填，它自己能搞定，还会挑有用的特征，省心！
博客
专题：2025汽车行业深度洞察报告：电动化、智能化的奋进之路|附260+报告PDF、数据下载
07-16 89
在过去这几年，自动驾驶不再只是存在于科幻电影里，已经从实验室慢慢走进了现实，L2级自动驾驶系统在很多中端车上都能看到，而L4级卡车在高速路上的突破，更是给物流行业带来了降本增效的新希望。欧洲之所以能跟上步伐，主要是因为2025年就要实施的碳排放新规，到时候新车平均CO₂排放要比2021年降低15%，车企为了达标，肯定会加快电动化的步伐，预计到2030年，欧洲电动车渗透率能达到55%。在这些封闭的场景里，车辆的行驶路线固定，遇到的障碍物类型也比较单一，企业可以通过预先绘制地图等方式，大大降低算法的难度。
博客
Python对2028奥运奖牌预测分析：贝叶斯推断、梯度提升机GBM、时间序列、随机森林、二元分类教练效应量化研究
07-16 640
项目核心逻辑可概括为“分类型建模+多维度验证”：对连续参赛国家用时间序列捕捉趋势，对非连续参赛国家用随机森林填补数据缺口，同时通过二元分类、梯度提升等模型挖掘首奖国家、关键项目等深层规律。完整方案含“模型调优参数表”“特征工程独家技巧”“赛事应急方案”，点击“阅读原文”获取完整版，进群解锁500+同行的实战经验交流。上图为阿塞拜疆奖牌趋势预测，模型成功捕捉其“每4年波动上升”的规律，2028年预测值与历史趋势吻合度较高。：模型锁定4个国家，首获奖牌概率达90%以上，为针对性训练提供明确目标。
博客
视频：图解Transformer自注意力机制
07-14 386
用“大脑容量”类比，模型参数从2017年Transformer的0.05B（5千万）涨到2021年Switch Transformer的1.6T（1.6万亿），就像从“小学生”到“博士生”，但也更“费资源”。输入处理：把句子拆成词（分词），再给每个词加“位置标签”（位置嵌入）——因为Transformer本身“不认顺序”，不加标签会把“我爱你”和“你爱我”弄混。如果把Transformer比作“翻译工作室”，那编码器就是“读懂原文的译者”，解码器是“写出译文的译者”，两者靠注意力机制“传递信息”。
博客
专题：2025机器人产业深度洞察报告|附136份报告PDF与数据下载
07-14 452
医疗康养和高危作业领域的机器人渗透率也将稳步提升，分别从2025年的10%和8%增长到2030年的30%和25%，为医疗行业和高危作业环境带来革新。现在，人形机器人、具身智能机器人等新名词不断冲击着我们的认知，它们不仅能精准感知周围环境、快速做出决策，还能和人类自然流畅地互动，未来的发展潜力简直不可估量。不过，机器人产业在快速发展的过程中，也面临着技术瓶颈、成本高企、人才短缺等挑战。电池技术直接影响机器人的续航能力，传感器则关系到机器人的感知能力，这两个部件的技术突破和成本降低对机器人产业的发展至关重要。
博客
R分布式滞后非线性模型DLNM分析某城市空气污染与健康数据：多维度可视化优化滞后效应解读
07-11 406
作为环境健康领域的研究者，我们常面对这样的现实：当某城市连续一周PM10浓度偏高后，呼吸系统疾病就诊量在随后几天逐渐上升——这种“污染当下不显，影响滞后显现”的现象，正是公共卫生研究的核心难题。它既能捕捉暴露因素（如PM10）与健康结局（如死亡）的非线性关联，又能刻画这种关联随时间的滞后模式，逐渐成为环境流行病学的“利器”。这里，ns(temp, 3)用3个自由度的样条函数处理温度的非线性影响，ns(time_seq, 8*14)则控制时间趋势（每年8个自由度，共14年）。
博客
专题：2025供应链数智化与效率提升报告|附100+份报告PDF、原数据表汇总下载
07-10 293
值得注意的是，中国本土虽产能增幅为-8.3%，但物流时效提升5.6%，显示存量市场下的效率挖潜空间。当区域化成为应对地缘风险的标配，当AI与区块链重构信任机制，当跨行业技术迁移加速成本下降，供应链的竞争已进入"系统战"时代。企业需要的不仅是单点优化，更是构建"感知-决策-执行"的闭环能力：用数据洞察市场波动，用技术夯实效率基础，用生态协同抵御风险。垂类折扣企业通过极致的"少SKU、高周转"模式撕开传统零售壁垒，而快消巨头则借区域化布局应对地缘风险，两者共同指向"短链、敏捷、精准"的新范式。
博客
Python用SVR-SHAP算法的新质生产力驱动因素分析—以美丽中国建设先行区为例
07-09 1249
数字经济则像“润滑剂”，无论是制造业的智能改造还是服务业的线上转型，都离不开它——东部某省的纺织企业，通过数字平台打通供应链后，订单响应速度提升了40%，这正是数字经济的实际价值。我们选取了五大区内的所有省份数据，将科技、数字经济、市场需求、产业结构、教育、资本这六个要素放进模型，用SHAP值绝对值的均值来衡量各自的影响力——这个值越高，说明该因素对区域发展的整体拉动作用越显著。这个图里，每个点代表一个省份，横轴是SHAP值（正值表示促进发展，负值表示抑制），颜色越深说明该因素的实际水平越高。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值