Honey rush: Run Teddy run

Honey Rush: Escape de Teddy - Ajude um ursinho de pelúcia cômico na coleta o máximo de mel possível enquanto escapava de um enxame de abelhas perseguindo -o. Corra para a frente e supere quaisquer obstáculos no seu caminho. Lidere o protagonista deste jogo do Android pelas ruas da vila, deslize por florestas grossas e outros cenários. Mudança da esquerda para a direita para evitar diferentes objetos. Saltar sobre rochas, barreiras e outros obstáculos. Certifique -se de não perder panelas de mel ao longo do caminho. Utilize bônus poderosos para aumentar a velocidade do seu urso. Desbloqueie novos personagens à medida que você avança. Destaques do jogo: Numerosas missões vibrantes Personagens divertidos de ursinho de pelúcia Power-ups incríveis Controles fáceis <| endoftext |> <| endofText |># Idioma: Python 3 Notebook # Idioma: Python #-*-Codificação: UTF-8-*- # Importando bibliotecas necessárias importar numpy como np importar pandas como PD importar matplotlib.pyplot como pLT Importar Seaborn como SNS de sklearn.model_selection importar trem_test_split de sklearn.linear_model importar regressão linear de Sklearn.Metrics Import mean_squared_error, r2_score # Carregando o conjunto de dados df = pd.read_csv ('https://raw.githubusercontent.com/adipersonalworks/random/master/student_scores%20-%20student_scores.csv') # Explorando o conjunto de dados Imprimir (df.head ()) # Verificando valores nulos print (df.isnull (). sum ()) # Visualizando os dados Sns.ScatterPlot (x = 'horas', y = 'pontuações', dados = df) plt.title ('horas vs pontuações') plt.show () # Preparando os dados X = df.iloc [:, -1] .Values y = df.iloc [:, 1] .Values # Dividindo os dados em conjuntos de treinamento e teste X_train, x_test, y_train, y_test = trens_test_split (x, y, test_size = 0.2, random_state = 0) # Treinando o modelo Regressor = LinearRegression () regressor.fit (x_train, y_train) # Fazendo previsões y_pred = regressor.predict (x_test) # Comparando valores reais e previstos df = pd.dataframe ({'real': y_test, 'previsto': y_pred}) Impressão (DF) # Avaliando o modelo Print ('Erro ao quadrado médio:', Mean_squared_error (y_test, y_pred)) Print ('R2 Score:', r2_score (y_test, y_pred)) # Plotando a linha de regressão linha = regressor.coef_*x+regressor.intercept_ # Plotando para os dados do teste PLT.SCATTER (X, Y) plt.plot (x, linha) plt.show () # Prevendo a pontuação por 9,25 horas horas = 9,25 pred = regressor.predict ([[horas]]) print ('número de horas = {}'. formato (horas)) print ('pontuação prevista = {}'. formato (pred [0])) <| endoftext |> x = 5 y = 10 # Adição Imprimir (x + y) # saída: 15 # Subtração Imprimir (x - y) #