文章 "Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型"
future_pr = dataset['<CLOSE>'].iloc[i + rand] 应该是 否则会出错：
你的 labelling_relabeling_regression 函数中的列引用不正确。我不断出错是因为你试图访问数据集中的列"<CLOSE>"，但 pandas 无法找到它，因为正确的列名是 "close"，而不是"<CLOSE>"。它的大小写敏感性和附加的角括弧导致 pandas 抛出 KeyError。
这是个非常简单的错误，但其他人可能会感到困惑并放弃。
既然你代码的其余部分都在使用 <CLOSE> ......那最好就添加一行如下的内容：
dataset = dataset.rename(columns={'close': '<CLOSE>'})
我发现代码中有一个错误： 应该是：
否则会出错：
你的 labelling_relabelling_regression 函数中的列引用错误。我之所以不断收到错误信息，是因为您试图访问数据集中的"<CLOSE>"列，但 pandas 找不到它，因为正确的列名是 "close"，而不是"<CLOSE>"。由于大小写敏感性和额外的角括弧，pandas 引发了 KeyError。
这是一个非常简单的错误，但其他人可能会感到困惑并放弃。
既然你代码的其余部分都使用了 <CLOSE> ...最好添加一行，例如
dataset = dataset.rename(columns={'close': '<CLOSE>'})
非常感谢，我会看看的，我可能在编辑代码时漏掉了！(
没问题，先生。还有一个建议--对于那些不使用谷歌 colab，只是在自己的机器上或 AWS 上工作的人，他们不需要导入 gdown
而是使用下面的方法：
首先
第二步
将以下部分替换为
# Save the pipeline
joblib.dump(pipeline, 'rf_pipeline.joblib')
# Convert pipeline to ONNX
onnx_model = convert_sklearn(pipeline, initial_types=initial_type)
# Save the model in ONNX format
model_onnx_path = "rf_pipeline.onnx"
onnx.save_model(onnx_model, model_onnx_path)
# Save the model in ONNX format
model_onnx_path = "rf_pipeline.onnx"
onnx.save_model(onnx_model, model_onnx_path)
# Connect Google Drive (if you work in Colab and this is necessary)
from google.colab import drive
drive.mount('/content/drive')
# Specify the path to Google Drive where you want to move the model
drive_path = '/content/drive/My Drive/' # Make sure the path is correct
rf_pipeline_onnx_drive_path = os.path.join(drive_path, 'rf_pipeline.onnx')
# Move ONNX model to Google Drive
shutil.move(model_onnx_path, rf_pipeline_onnx_drive_path)
print('The rf_pipeline model is saved in the ONNX format on Google Drive:', rf_pipeline_onnx_drive_path) 替换为
print(f'The rf_pipeline model in ONNX format is saved locally at： {local_onnx_path}')。
模型将保存在名为 /model 子目录的子文件夹中。这也会将模型存储为 jplotlib 文件，以备运行时使用。此外，这两个模型都可以直接从 python 运行，以获得预测结果。
没问题，先生。另一个建议是，对于那些不使用谷歌 colab，只在自己的机器上或 AWS 上运行的人来说，他们不需要导入 gdown
而是使用下面的方法：
首先
.
其次
替换以下部分
由
print(f'The rf_pipeline model in ONNX format is saved locally at address： {local_onnx_path}')
模型将保存在 /model 子目录下。如果在运行时需要，模型也将以 jplotlib 文件的形式保存在该目录中。此外，这两个模型都可以直接从 python 运行，以获得预测结果。
已更正，将教程文件版本提交版主审批。
是的，我还没有接触过强化学习))))))。
新文章 Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型已发布：
在本文中，我们将用 Python 创建一个随机森林（random forest）模型，训练该模型，并将其保存为带有数据预处理功能的 ONNX 管道。之后，我们将在 MetaTrader 5 终端中使用该模型。
随机森林是机器学习工具包中的一个强大工具。为了更好地理解它的工作原理，让我们把它想象成一大群人聚在一起集体决策。不过，这个小组中的每个成员都是当前情况的独立分类器或预测器，而不是真实的人。在这个群体中，人是一棵决策树，能够根据某些属性做出决策。当随机森林做出决策时，它会采用民主和投票的方式：每棵树都发表自己的意见，然后根据多张选票做出决策。
随机森林广泛应用于各个领域，其灵活性使其既适用于分类问题，也适用于回归问题。在分类任务中，模型会决定当前状态属于哪个预定义的类别。例如，在金融市场，这可能意味着根据各种指标决定买入（类别1）或卖出（类别0）某项资产。
不过，在本文中，我们将重点讨论回归问题。机器学习中的回归是根据时间序列过去的数值来预测其未来数值的一种尝试。在回归中，我们的目标是预测特定的数字，而不是将对象归入特定的类别。例如，这可以是预测股票价格、预测温度或任何其他数字变量。
作者：Yevgeniy Koshtenko