預測 App 的評分
在上一個練習中你已經探索過 Google apps 資料集，現在我們來建立即時能根據部分特徵來預測 App 評分的模型。
為了做到這點，你將使用 scikit-learn 的 DecisionTreeRegressor。決策樹是許多集成模型（ensemble）的基礎元件，溫習它的運作方式，能幫助你在本課程中更順利地學習。
我們將以 MAE（mean absolute error，平均絕對誤差）作為評估指標。這個指標相當好解讀，因為它代表實際評分與預測評分之間絕對差值的平均。
所有需要的模組都已經幫你預先匯入。特徵與目標分別已放在變數 X 與 y。
本練習屬於課程
Python 的 Ensemble 方法
練習說明
- 使用
train_test_split()將X與y切分為訓練集與測試集。測試集比例使用 20%（0.2）。 - 建立一個
DecisionTreeRegressor()實例reg_dt，並設定以下超參數：min_samples_leaf = 3與min_samples_split = 9。 - 使用
.fit()將此回歸器擬合到訓練集。 - 使用
.predict()預測測試集的標籤。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Split into train (80%) and test (20%) sets
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)
# Instantiate the regressor
reg_dt = ____(____, ____, random_state=500)
# Fit to the training set
____
# Evaluate the performance of the model on the test set
y_pred = ____
print('MAE: {:.3f}'.format(mean_absolute_error(y_test, y_pred)))