LGBMRegressor calcul multi pairs et sauvegarde graph

tools/sklearn/sma_regression.py

@@ -0,0 +1,42 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.linear_model import LinearRegression
+
+# Exemple : dataframe avec une colonne sma24
+n = 100
+df = pd.DataFrame({
+    "sma24": np.sin(np.linspace(0, 6*np.pi, n)) * 50 + 200 + np.random.randn(n)*2
+})
+
+# --- paramètres
+lookback = 30        # nombre de bougies utilisées pour l'apprentissage
+future_steps = 10    # combien de bougies futures on veut estimer
+
+# --- Préparer les données
+X = np.arange(lookback).reshape(-1, 1)                      # 0 .. 29
+y = df["sma24"].iloc[-lookback:].values                     # les dernières valeurs
+
+# --- Entraîner la régression
+model = LinearRegression()
+model.fit(X, y)
+
+# --- Prédire les valeurs futures
+X_future = np.arange(lookback, lookback + future_steps).reshape(-1, 1)
+y_future = model.predict(X_future)
+
+# --- Reconstituer la courbe complète (historique + prévision)
+predicted_full = np.concatenate([y, y_future])
+
+# --- Affichage
+plt.figure(figsize=(10,5))
+plt.plot(df.index[-lookback:], y, label="Historique (sma24)", color="blue")
+plt.plot(
+    np.arange(df.index[-1]-lookback+1, df.index[-1]+future_steps+1),
+    predicted_full,
+    label="Régression + prévision", color="orange", linestyle="--"
+)
+plt.axvline(df.index[-1], color="gray", linestyle=":")
+plt.legend()
+plt.title(f"Projection de SMA24 sur {future_steps} bougies futures")
+plt.show()