Scikit Learn 机器学习教程：使用 Python 进行投资 第 24 页

这段文字讨论了在投资教程视频中使用机器学习模型进行股票预测时，如何优化模型类别设置以提高预测精度和效率。

首先，作者回顾了之前模型的测试结果，发现模型提供了大量的股票预测建议，符合统计学上的理论：S&P 500 中一半的公司会表现优于市场，另一半会表现逊于市场。但作者希望得到更精简、更可靠的股票预测列表。

作者指出，虽然可以使用多个类别（例如显著低估、低估、持平、高估、显著高估）来描述股票表现，但这对于投资决策来说意义不大，因为最终目标是判断是否买入股票。增加类别会降低模型的准确性和效率。

因此，作者决定将模型类别简化为二元分类：买入或不买入。这种简化可以显著提高模型的性能。

最后，作者开始修改训练数据脚本，将之前的测试数据改为训练数据，并重点修改了与预测类别相关的代码，以确保模型仅预测买入或不买入。

在本机器学习教程视频中，我们将介绍如何提升和提高我们想要投资的公司标准。 示例代码：http://pythonprogramming.nethttp://seaofbtc.comhttp://sentdex.comhttp://hkinsley.com