import pandas as pd

from sklearn.ensemble import RandomForestRegressor

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error

 

df = pd.read_csv('/datasets/train_data.csv')

 

features = df.drop(['last_price'], axis=1) # извлеките признаки

target = df['last_price'] / 1000000 # извлеките целевой признак

 

features_train, features_valid, target_train, target_valid = train_test_split(

    features, target, test_size=0.25, random_state=12345)

 

best_model = None

best_result = 10000

best_est = 0

best_depth = 0

for est in range(10, 51, 10):

    for depth in range (1, 11):

        # инициализируйте модель RandomForestRegressor с параметрами random_state=12345, n_estimators=est и max_depth=depth

        model = RandomForestRegressor(random_state=12345, max_depth=depth)

        model.fit(features_train, target_train) # обучите модель на тренировочной выборке

        predictions_valid = model.predict(features_valid) # получите предсказания модели на валидационной выборке

        result = mean_squared_error(target_valid, predictions_valid)**0.5 # посчитайте значение метрики rmse на валидационной выборке

        if result < best_result:

            best_model = model

            best_result = result

            best_est = est

            best_depth = depth

 

print("RMSE наилучшей модели на валидационной выборке:", best_result, "Количество деревьев:", best_est, "Максимальная глубина:", depth)