我们如何提供多个库存数据并获得多个输出？

如何解决我们如何提供多个库存数据并获得多个输出？

通常，我们对由 HIGH、LOW、OPEN、CLOSE 列组成的美元/英镑等数据进行预测。这只是对单个数据集的预测。我的问题是如何对多个数据进行预测，例如美元/英镑、欧元/美元、XAU/美元、美元/日元。将所有这些数据馈送到单个模型并获得对所有这些数据集的预测，即多个输出。这可能吗？？谢谢。

解决方法

如果我正确地回答了您的问题，您想要的是将数据输入到一个模型中，该模型中有两个模型，并根据输入的数据分别在一个模型 (model1 or model2) 上运行。为此，您可以创建一个具有最小接口的模型类，该类将创建一个 model，它将根据特征的值进行选择

举个例子：

import pickle as pkl
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import LabelEncoder

#Combined of both df1 and df2
data= {
 'HIGH': [1.0,1.0,0.0,0.0],'LOW': [0.0,2.0,3.0,3.0],'OPEN': [1.0,'END' : [3.0,4.0,6.0,1.0]
 'target_price': [0.0,1.5,5.1,2.1,1.5]
}
df= pd.DataFrame(data) 
X,y=df.iloc[:,:-1],df.iloc[:,-1]
X= X.astype('float32')

# create two models                 
model1= LinearRegression()
model2 = LinearRegression() 
ser_model1= X['x']==0.0
model1.fit(X[ser_model1],y[ser_model1])
model2.fit(X[~ser_model1],y[~ser_model1])

# define a class that mocks the model interface
class CombinedModel:
    def __init__(self,model1,model2):
        self.model1= model1
        self.model2= model2
        
    def predict(self,X,**kwargs):
        ser_model1= X['x']==0.0
        return pd.concat([
                pd.Series(self.model1.predict(X[ser_model1]),index=X.index[ser_model1]),pd.Series(self.model2.predict(X[~ser_model1]),index=X.index[~ser_model1])
            ]
        ).sort_index()

# create a model with the two trained sum models
# and pickle it
model= CombinedModel(model1,model2)
model.predict(X)
with open('model.pkl','wb') as fp:
    pkl.dump(model,fp)
model= model1= model2= None

# test load it
with open('model.pkl','rb') as fp:
    model= pkl.load(fp)
model.predict(X)

OR 如果您想集成

然后使用 VotingClassifier

投票分类器实现背后的想法是结合概念上不同的机器学习分类器，并使用多数票或平均预测概率（软投票）来预测类标签