df.filter(Gender='Male', Product='Electronics')  

df.query(Gender = 'Male' and Product = 'Electronics')

df.loc[(df['Gender'] == 'Male') & (df['Product'] == 'Electronics')]

df[(df['Gender'] == 'Male') & (df['Product line'] == 'Electronics')]

видалення дерева рішень 

візуалізації дерева рішень 

архівування дерева рішень 

для створення нових продуктів

для генерування нових бізнес-стратегій

для відправлення листів клієнтам

для визначення потенційних клієнтів і класифікації їх на різні категорії

from sklearn.tree import DecisionTree

from sklearn.tree import DecisionTreeRegressor

from sklearn.tree import DecisionRegressor

tree()

loop()

edit()

predict()

використовує випадкові вузли для поділу даних

поділяє дані на основі випадкових значень

поділяє дані на основі певних правил, поки не отримається остаточний результат

створює безперервні поділи без правил

навчання/тестування

навчання/візуалізації 

збору даних/навчання

коли модель добре працює зі значеннями, які входять у навчальну вибірку, і погано з тими, які знаходяться за її межами

коли модель однаково добре працює як зі значеннями, які входять у навчальну вибірку, так і з тими, які знаходяться за її межами

коли модель погано працює зі значеннями, які входять у навчальну вибірку, і добре з тими, які знаходяться за її межами

є повна залежність між осями x та y

немає залежності між осями x та y

навчальний (80%) і тестувальний (20%) набори

навчальний (50%) і тестувальний (50%) набори

навчальний (20%) і тестувальний (80%) набори