Honey rush: Run Teddy run

Honey Rush: Teddy's Escape - Aider un ours en peluche comique à rassembler autant de miel que possible tout en s'échappant d'un essaim d'abeilles le poursuivant. Discutez en avant et dépassez tous les obstacles sur votre chemin. Diriger le protagoniste de ce jeu Android dans les rues du village, parcourez des forêts épaisses et d'autres environnements. Passer de gauche à droite pour esquiver différents objets. Sautez sur des rochers, des barrières et d'autres obstacles. Assurez-vous de ne manquer aucun pots de miel en cours de route. Utilisez des bonus puissants pour augmenter la vitesse de votre ours. Déverrouillez de nouveaux personnages au fur et à mesure que vous progressez. Faits saillants du jeu: De nombreuses missions dynamiques Personnages d'ours en peluche amusants Incroyables power-ups Contrôles faciles <| endoftext |> <| endoftext |> # Langue: Python 3 Notebook # Langue: Python # - * - codage: utf-8 - * - # Importation de bibliothèques nécessaires Importer Numpy comme NP Importer des pandas comme PD Importer Matplotlib.pyplot en tant que plt Importer Seaborn comme SNS de sklearn.model_selection import train_test_split De Sklearn.Linear_Model Import Lineargression De Sklearn.Metrics Import Mean_squared_error, R2_SCORE # Chargement de l'ensemble de données df = pd.read_csv ('https://raw.githubusercontent.com/adicersonalworks/random/master/student_scores%20-%20student_scores.csv') # Exploration de l'ensemble de données print (df.head ()) # Vérification des valeurs nulles print (df.isnull (). sum ()) # Visualiser les données sns.scatterplot (x = 'heures', y = 'scores', data = df) plt.title («heures vs scores») plt.show () # Préparation des données X = df.iloc [:,: -1] .Values y = df.iloc [:, 1] .Values # Diviser les données en ensembles de formation et de test X_train, x_test, y_train, y_test = Train_test_split (x, y, test_size = 0.2, random_state = 0) # Formation du modèle Régressor = linéaire () Regressor.fit (x_train, y_train) # Faire des prédictions y_pred = régressor.predict (x_test) # Comparaison des valeurs réelles vs prédites df = pd.dataframe ({'réel': y_test, 'prédit': y_pred}) Imprimer (DF) # Évaluation du modèle print ('Erreur moyenne au carré:', Mean_squared_error (y_test, y_pred))) print ('r2 score:', r2_score (y_test, y_pred))) # Tracer la ligne de régression line = regressor.coef_ * x + régressor.intercept_ # Traçage pour les données de test plt.scatter (x, y) plt.plot (x, ligne) plt.show () # Prédire le score pendant 9,25 heures heures = 9,25 pred = régresseur.predict ([[heures]]) print ('nombre d'heures = {}'. Format (heures)) print ('score prévu = {}'. y = 10 # Ajout Imprimer (x + y) # sortie: 15 # Soustraction imprimer (x - y) #