По поводу nan понял теперь да ! Если присвоить реальные возраста , то потом тяжело будет фильтровать

Спасибо всем за полезную инфу !

Привет. Можно вот так

Подскажите , если используешь случайный лес для классификации . Построил модель . Хочешь сделать прогноз на основании конкретные значения переменных . Если значения которые ты задаёшь , нет в твоих исходных данных и более того они сильно отличаются , например очень большие , то будет ли точный прогноз ?

Например нашёл кейс простой с классификацией цветков ириса

Там значения длины ширины лепестков . И они там 0,5, 1, 2, 5 см

Такой размерности

А я делаю прогноз для значений 500, 1000 см например . И он не выдаёт , что относится к ирису класса 2

Можете об’яснить , это по умолчанию или алгоритм ищет то что ближе по значениям к реальным данным ?

решающее дерево не подстраивается под ваши данные, если вы тренировали его на одних данных, оно не сможет сделать адекватные предсказания для данных лежащих в другом промежутке.

Решающее дерево создаёт оптимальные правила для деления данных на группы, минимизируя gini impurity в получившихся группах

Соответственно, если у вас существует правило для одних данных:
длина >1 => группа 2
Для других данных это правило не будет работать, так как у вас все значения будут попадать в одну группу (если данные в промежутке (500, 1000)), то есть это правило не приводит к делению на более однородные группы.

Если вам сильно нужно, то попробуйте стандартизировать величины, чтобы данные были сопоставимы.

но это все равно странно обучать модель на принципиально других данных

Просто он мне все равно выдаёт результат . Даже при других данных . Это как-то по умолчанию и ничего не значит получается ?

То есть если хочу делать прогноз для конкретных значений , то они должны попадать длину интервала по каждой переменной , верно ?

ну он же  по-честному прогоняет данные через правила, если вы посмотрите на recall/precision/accuracy, то дерево будет перформить едва ли лучше, чем random guess

вам нужно добиться того, чтобы данные были сопоставимы, посмотрите на распределение и примите решение можно ли использовать модель на новых данных

Все, отлично ! Понял смысл

Спасибо !!

И снова дратути!)
Задание от Я.П: чтобы изменить значение исходного списка, напишите цикл с перебором по индексам ( используя For). В теле цикла прибавьте 10 к каждому элементу july_temperatures

Ругается🤨

Конечно, ругается. Вы в 3-х строках из 4-х допустили ошибки.

Теперь питон прибавил 10, но только к одному элементу, а нужно ко всем