marcosatanaka

import UIKit

class OnboardingCollectionViewCell: UICollectionViewCell {

    static let reuseIdentifier = "OnboardingCell"

    @IBOutlet weak var pageImage: UIImageView!
    @IBOutlet weak var pageTitle: UILabel!
    @IBOutlet weak var pageDescription: UILabel!
    @IBOutlet weak var startButton: UIButton!

marcosatanaka

import UIKit

class OnboardingCollectionViewController: UICollectionViewController {

    private let pages = OnboardingModelFactory.getPages()

    private lazy var pageControl: UIPageControl = {
        let pageControl = UIPageControl()
        pageControl.numberOfPages = pages.count
        return pageControl

marcosatanaka

import UIKit

class OnboardingModelFactory {

    static func getPages() -> [OnboardingModel] {
        return [
            OnboardingModel(title: "Feature 1",
                            content: "Esta feature faz com que o aplicativo faça coisas incríveis!",
                            iconImage: "iconOnboarding1",
                            backgroundColor: Color.lightPurple,

marcosatanaka

import UIKit

struct OnboardingModel {
    let title: String
    let content: String
    let iconImage: String
    let backgroundColor: UIColor
    let hideButton: Bool
}

marcosatanaka

import UIKit

class OnboardingCollectionViewCell: UICollectionViewCell {

    static let reuseIdentifier = "OnboardingCell"

}

marcosatanaka

import UIKit

class OnboardingCollectionViewController: UICollectionViewController {
}

extension OnboardingCollectionViewController: UICollectionViewDelegateFlowLayout {
}

marcosatanaka

O parâmetro 'max_depth' otimizado para o modelo é 4.

Preço estimado para o imóvel 1: $408,870.00
Preço estimado para o imóvel 2: $232,662.50
Preço estimado para o imóvel 3: $892,850.00

marcosatanaka

# Cria um regressor (DecisionTree) com o parâmetro 'max_depth
# otimizado para os dados de treinamento
regressor = fit_model(X_train, y_train)

print "O parâmetro 'max_depth' otimizado " \
      "para o modelo é {}.\n".format(regressor.get_params()['max_depth'])

client_data = [[5, 17, 15], # Imóvel 1
               [4, 32, 22], # Imóvel 2
               [8, 3, 12]]  # Imóvel 3

marcosatanaka

def fit_model(X, y):
	# Gera conjuntos de validação-cruzada para o treinamento de dados
	cv_sets = ShuffleSplit(X.shape[0]          # qt total elementos
	                     , n_iter = 10         # qt vezes embaralhar e dividir
	                     , test_size = 0.2
	                     , random_state = 123)
	
	grid = GridSearchCV(DecisionTreeRegressor()
	                  , dict(max_depth = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
			  , make_scorer(performance_metric)

marcosatanaka

# Misturando e separando os dados em conjuntos de treinamento e teste
X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size = 0.2, random_state = 123)
print "\nSeparação entre treinamento e teste feita com êxito.\n"