jojojojo, sam por qué le hiciste eso a mi amigo facundo! eres un desgraciado y dios te mandará al nifierno por tu insolencia

mejor ya no digo nada: ya que no quiero arruinarle a nadie este momento en esta plataforma

créeme,
no sabes el favor que estoy haciéndote, pero si ofendí a alguien, pido disculpas sinceras.

tranquilo hermano no estoy enojado conbós ni ofendido

¡Ey Woss! deja a mi amigo Facundo, o yo mismo te haré sentir todo el arrepentimiento posible por haberle dicho esas blasfemias hacia su persona.

cállate monte que te mando al del lg.

Dos años.

disculpame hermano no lo vuelvo a aser. pido disculpas en esta plataforma

JOJOJOJOJOJ me encanta tremendo +1 @sam.

como se le sobrecargó la CPU al michi jajaj

parece que ban a seguirla con eso: maduren un poco

con qué

Ni que fuéramos frutas. (rofl)

yo todabía no soy manzana. déjame que reencarne.

pregunta: es maldad comprar un gabinete gamer bien amplio, y quitarle toda la electrónica derivada de las lucecitas RGB?

No, yo lo hice con la mía también, a veces la dejaba encendida por las noches y las jodidas lucecitas me molestaban.

pus claro, tu no lo vas a ver pero los demás sí; así que puedes presumirle aesos visuales inferiores

import pandas as pd
import numpy as np

Importamos las bibliotecas para preprocesamiento de datos y algoritmos de machine learning

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

Cargamos el archivo CSV en un DataFrame

df = pd.read_csv('/content/archivo.csv')

Verificamos las primeras filas del DataFrame

print(df.head())

Convertimos la columna 'Gender' en variable numérica: M -> 0, F -> 1

df['Gender'] = df['Gender'].map({'M': 0, 'F': 1})

Definimos las variables independientes (X) y las dependientes (y)

X = df.drop(columns=['Name', 'Number of Gold Medals', 'Number of Silver Medals', 'Number of Bronze Medals', 'Total Medals'])
y = df[['Number of Gold Medals', 'Number of Silver Medals', 'Number of Bronze Medals']]

Dividimos los datos en un conjunto de entrenamiento (80%) y prueba (20%)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Inicializamos el modelo de Regresión Lineal

linear_model = LinearRegression()

Entrenamos el modelo con los datos de entrenamiento

linear_model.fit(X_train, y_train)

Inicializamos el modelo de Random Forest

rf_model = RandomForestRegressor(n_estimators=100, random_state=42)

Entrenamos el modelo de Random Forest con los mismos datos

rf_model.fit(X_train, y_train)

Hacemos predicciones con ambos modelos

y_pred_linear = linear_model.predict(X_test)
y_pred_rf = rf_model.predict(X_test)

Evaluamos el desempeño de los modelos utilizando el error cuadrático medio

mse_linear = mean_squared_error(y_test, y_pred_linear)
mse_rf = mean_squared_error(y_test, y_pred_rf)

Mostramos los resultados

print(f"Error cuadrático medio (Regresión Lineal): {mse_linear}")
print(f"Error cuadrático medio (Random Forest): {mse_rf}")

ah vale.
gabinete que compre, gabinete que modifique xD

si pudiera le sacaba el RGB a todo lo que me compré.

hola, les saluda el ser mas airoso i orgulloso de toda la sala!