パンダの一般的な操作
データ[「NAME1」]データ名で選択されている：NAME1の1
＃データの前処理
オフラインにdata.dropna（軸= 0）＃欠損値
melbourne_features = [ '部屋' 、'バスルーム' 、'Landsize' 、'Lattitude' 、'経度' ]
X = melbourne_data [ melbourne_features ]
X- 。DESCRIBE （）＃は、データを記述します
＃パーティションデータ
からsklearn.model_selectionのインポートtrain_test_split
train_X 、val_X 、train_y 、val_y = train_test_split （X- 、Y 、random_state = 0 ）乱数の結果を複製に資する＃
＃トレーニングデータ
sklearn.model_selection輸入train_test_splitのから
＃モデル指定
iowa_model = DecisionTreeRegressor（random_state = 1）を
＃トレーニングデータとフィットiowa_model。
iowa_model.fit（train_X、train_y）
＃データの将来の収集のための予測を行います
＃すべての検証観察と予測
val_predictions = iowa_model.predict（val_X）を
エラー計算モデル＃
sklearn.metricsからインポートmean_absolute_error
val_mae = mean_absolute_error（val_predictions、val_y）
validation_maeの参照するには＃コメントを解除し、次の行
の印刷（val_maeを）
＃あなたのモデルを最適化するために、異なるパラメータをしようとする方法を定義します。
デフget_mae（max_leaf_nodes、train_X、val_X、train_y、val_y）：
モデル= DecisionTreeRegressor（max_leaf_nodes = max_leaf_nodes、random_state = 0）
model.fit（train_X、train_y）
preds_val = model.predict（val_X）
メイ= mean_absolute_error（val_y、preds_val）
リターン（メイ）
、あなたは、まあ＃最終的な決定を必要としない、そのすべてのデータの検証、およびトレーニングを行います！