Accident_Data_BD
MR Amin
2023-11-11
# Read a CSV file
mydata <- read.csv("Dataset.csv")
mydata## Accident_severity Day_of_week Traffic_control Collision_type Light
## 1 S 5 4 8 3
## 2 NA NA NA NA
## 3 F 5 6 2 4
## 4 NA NA NA NA
## 5 S 3 2 2 3
## 6 NA NA NA NA
## 7 F 4 8 9 3
## 8 G 1 4 6 1
## 9 NA NA NA NA
## 10 F 3 4 2 2
## 11 NA NA NA NA
## 12 F 1 4 9 1
## 13 F 5 2 9 3
## 14 F 5 4 9 2
## 15 G 7 2 7 3
## 16 NA NA NA NA
## 17 NA NA NA NA
## 18 F 5 4 9 1
## 19 F 1 4 2 3
## 20 NA NA NA NA
## 21 F 6 4 9 3
## 22 F 4 4 9 1
## 23 F 2 4 9 3
## 24 F 4 4 2 3
## 25 NA NA NA NA
## 26 F 4 4 9 1
## 27 F 6 4 9 1
## 28 F 4 1 9 2
## 29 F 2 4 9 3
## 30 F 2 4 9 1
## 31 F 6 4 9 3
## 32 F 4 4 9 1
## 33 F 1 4 9 3
## 34 F 3 1 9 4
## 35 F 2 3 9 1
## 36 F 2 4 2 2
## 37 NA NA NA NA
## 38 F 4 4 9 1
## 39 F 6 4 9 1
## 40 M 7 1 1 1
## 41 NA NA NA NA
## 42 F 1 8 9 1
## 43 F 7 8 9 1
## 44 G 3 4 9 1
## 45 NA NA NA NA
## 46 G 1 6 11 1
## 47 G 1 4 9 3
## 48 F 6 4 4 1
## 49 NA NA NA NA
## 50 F 7 1 2 3
## 51 NA NA NA NA
## 52 F 5 4 11 3
## 53 F 5 1 11 1
## 54 F 4 4 2 1
## 55 NA NA NA NA
## 56 F 3 1 9 1
## 57 F 4 4 9 1
## 58 F 6 4 2 3
## 59 NA NA NA NA
## 60 G 1 4 9 1
## 61 NA NA NA NA
## 62 F 4 4 1 1
## 63 NA NA NA NA
## 64 F 3 1 9 3
## 65 F 6 5 9 2
## 66 F 1 5 1 1
## 67 NA NA NA NA
## 68 F 4 5 9 3
## 69 F 4 6 2 3
## 70 NA NA NA NA
## 71 F 6 1 9 1
## 72 F 1 4 2 1
## 73 NA NA NA NA
## 74 F 6 4 1 2
## 75 NA NA NA NA
## 76 F 4 4 9 1
## 77 F 6 2 9 2
## 78 NA NA NA NA
## 79 NA NA NA NA
## 80 F 6 4 9 1
## 81 G 3 4 9 1
## 82 F 3 4 9 3
## 83 G 5 4 2 1
## 84 NA NA NA NA
## 85 F 6 4 9 2
## 86 S 6 4 11 2
## 87 NA NA NA NA
## 88 M 4 2 4 1
## 89 NA NA NA NA
## 90 F 2 1 9 3
## 91 F 1 4 4 1
## 92 NA NA NA NA
## 93 F 7 5 9 1
## 94 G 1 1 9 1
## 95 F 3 1 9 3
## 96 S 5 1 1 1
## 97 NA NA NA NA
## 98 F 2 2 7 1
## 99 F 7 4 9 1
## 100 F 7 4 1 1
## 101 NA NA NA NA
## 102 G 2 2 9 3
## 103 F 3 2 9 1
## 104 F 7 2 9 3
## 105 F 1 4 2 3
## 106 NA NA NA NA
## 107 F 4 8 9 3
## 108 F 5 4 9 1
## 109 F 6 3 9 3
## 110 F 3 8 4 1
## 111 NA NA NA NA
## 112 F 3 1 2 3
## 113 NA NA NA NA
## 114 F 4 4 9 3
## 115 S 2 4 7 2
## 116 G 1 4 9 2
## 117 G 7 1 2 1
## 118 M 1 4 7 2
## 119 G 1 4 2 1
## 120 NA NA NA NA
## 121 M 4 1 6 2
## 122 M 7 1 2 1
## 123 NA NA NA NA
## 124 F 7 8 2 3
## 125 NA NA NA NA
## 126 G 6 4 2 1
## 127 NA NA NA NA
## 128 F 2 8 9 3
## 129 F 7 4 9 1
## 130 F 4 8 9 1
## 131 G 5 1 9 3
## 132 F 1 1 9 1
## 133 F 1 1 9 3
## 134 F 5 1 9 3
## 135 F 7 4 9 1
## 136 F 7 2 9 3
## 137 F 4 2 9 1
## 138 G 7 2 9 1
## 139 F 2 2 9 1
## 140 F 6 2 9 1
## 141 F 4 4 9 2
## 142 F 4 8 9 1
## 143 G 2 4 2 3
## 144 NA NA NA NA
## 145 F 1 8 9 1
## 146 F 4 8 9 1
## 147 G 5 4 2 1
## 148 NA NA NA NA
## 149 G 4 4 2 3
## 150 NA NA NA NA
## 151 F 1 4 2 2
## 152 F 5 4 9 1
## 153 M 5 8 1 1
## 154 NA NA NA NA
## 155 G 3 8 8 1
## 156 NA NA NA NA
## 157 S 1 1 9 1
## 158 S 6 1 9 3
## 159 S 1 4 9 2
## 160 F 7 8 9 3
## 161 F 3 6 9 1
## 162 F 3 4 9 1
## 163 F 7 1 2 1
## 164 NA NA NA NA
## 165 F 4 1 9 2
## 166 NA NA NA NA
## 167 G 7 1 4 1
## 168 NA NA NA NA
## 169 F 6 1 9 4
## 170 G 4 1 9 1
## 171 G 3 1 9 1
## 172 F 6 4 1 1
## 173 NA NA NA NA
## 174 G 3 1 9 1
## 175 F 6 8 9 3
## 176 F 3 4 9 3
## 177 F 6 4 9 3
## 178 F 6 3 9 3
## 179 F 4 1 7 3
## 180 G 2 4 9 4
## 181 F 3 1 9 4
## 182 F 2 8 9 4
## 183 G 4 4 9 1
## 184 F 7 8 9 3
## 185 F 1 6 1 3
## 186 NA NA NA NA
## 187 F 4 6 9 1
## 188 F 7 6 9 3
## 189 F 4 6 2 3
## 190 NA NA NA NA
## 191 NA NA NA NA
## 192 NA NA NA NA
## 193 NA NA NA NA
## 194 NA NA NA NA
## 195 NA NA NA NA
## 196 NA NA NA NA
## 197 F 5 6 9 1
## 198 G 2 8 9 1
## 199 F 3 8 9 1
## 200 F 4 6 4 1
## 201 NA NA NA NA
## 202 NA NA NA NA
## 203 NA NA NA NA
## 204 F 1 4 9 3
## 205 G 6 8 2 1
## 206 NA NA NA NA
## 207 F 2 4 1 2
## 208 NA NA NA NA
## 209 G 1 4 9 1
## 210 F 7 4 9 1
## 211 G 3 8 9 1
## 212 F 2 4 9 3
## 213 F 2 3 9 2
## 214 M 1 8 11 3
## 215 NA NA NA NA
## 216 S 1 3 9 3
## 217 F 5 4 9 2
## 218 F 7 8 9 1
## 219 S 4 4 11 3
## 220 G 7 1 9 1
## 221 F 5 1 9 3
## 222 G 2 4 9 1
## 223 G 2 4 9 1
## 224 S 3 4 9 3
## 225 M 3 1 2 2
## 226 NA NA NA NA
## 227 G 5 1 1 1
## 228 NA NA NA NA
## 229 F 5 1 9 3
## 230 F 3 1 9 1
## 231 F 5 1 8 3
## 232 NA NA NA NA
## 233 F 1 4 2 1
## 234 NA NA NA NA
## 235 G 2 1 9 2
## 236 G 1 4 9 1
## 237 F 5 4 9 1
## 238 F 6 4 9 1
## 239 F 5 4 9 1
## 240 G 7 4 9 1
## 241 F 4 1 9 1
## 242 G 3 1 2 2
## 243 NA NA NA NA
## 244 G 6 4 2 1
## 245 NA NA NA NA
## 246 F 1 4 9 1
## 247 F 7 4 9 1
## 248 F 2 1 6 1
## 249 F 7 4 9 1
## 250 F 2 4 9 1
## 251 F 2 4 2 1
## 252 NA NA NA NA
## 253 S 4 4 2 1
## 254 NA NA NA NA
## 255 S 2 4 7 1
## 256 G 6 1 4 1
## 257 NA NA NA NA
## 258 G 5 8 2 2
## 259 NA NA NA NA
## 260 F 6 8 9 1
## 261 F 5 4 9 1
## 262 F 1 1 2 3
## 263 NA NA NA NA
## 264 F 4 4 2 2
## 265 NA NA NA NA
## 266 F 6 8 9 1
## 267 G 4 1 9 4
## 268 F 6 1 9 4
## 269 G 2 4 9 3
## 270 F 2 3 9 1
## 271 F 6 4 2 1
## 272 NA NA NA NA
## 273 F 7 1 2 2
## 274 NA NA NA NA
## 275 F 7 4 9 2
## 276 F 5 4 9 1
## 277 G 3 4 2 1
## 278 NA NA NA NA
## 279 F 3 8 6 2
## 280 F 5 4 4 1
## 281 NA NA NA NA
## 282 NA NA NA NA
## 283 NA NA NA NA
## 284 NA NA NA NA
## 285 F 5 4 8 3
## 286 NA NA NA NA
## 287 F 1 1 9 2
## 288 F 3 6 9 1
## 289 F 7 4 9 2
## 290 F 3 4 5 1
## 291 G 3 4 9 1
## 292 F 2 4 9 4
## 293 G 7 1 9 2
## 294 S 3 8 9 3
## 295 NA NA NA NA
## 296 F 2 4 9 3
## 297 F 2 4 9 1
## 298 F 1 3 9 1
## 299 F 7 5 6 3
## 300 F 3 4 9 1
## 301 F 5 8 9 1
## 302 G 4 4 4 1
## 303 NA NA NA NA
## 304 NA NA NA NA
## 305 F 7 4 9 2
## 306 S 5 1 2 1
## 307 NA NA NA NA
## 308 NA NA NA NA
## 309 F 3 1 2 3
## 310 NA NA NA NA
## 311 G 4 6 9 3
## 312 F 4 1 9 3
## 313 F 3 2 9 3
## 314 F 1 4 2 3
## 315 NA NA NA NA
## 316 G 5 2 9 1
## 317 NA NA NA NA
## 318 NA NA NA NA
## 319 NA NA NA NA
## 320 F 1 2 9 1
## 321 F 5 2 9 3
## 322 F 3 8 9 1
## 323 NA NA NA NA
## 324 F 2 2 9 4
## 325 F 2 2 9 1
## 326 G 5 1 9 4
## 327 F 1 1 5 4
## 328 NA NA NA NA
## 329 NA NA NA NA
## 330 NA NA NA NA
## 331 NA NA NA NA
## 332 NA NA NA NA
## 333 F 6 1 5 1
## 334 NA NA NA NA
## 335 NA NA NA NA
## 336 F 4 4 9 2
## 337 M 1 4 2 1
## 338 NA NA NA NA
## 339 G 5 4 1 1
## 340 NA NA NA NA
## 341 F 3 1 9 3
## 342 F 2 4 9 3
## 343 NA NA NA NA
## 344 F 1 4 9 2
## 345 F 6 4 9 3
## 346 F 6 8 9 1
## 347 G 4 8 8 4
## 348 NA NA NA NA
## 349 F 3 8 9 2
## 350 F 5 4 9 2
## 351 G 1 1 9 1
## 352 F 4 1 9 1
## 353 F 3 4 9 1
## 354 G 1 4 2 3
## 355 NA NA NA NA
## 356 F 2 8 9 1
## 357 F 6 4 9 1
## 358 F 5 4 4 1
## 359 NA NA NA NA
## 360 F 1 1 9 1
## 361 F 6 4 9 1
## 362 F 1 3 9 3
## 363 F 5 4 8 3
## 364 NA NA NA NA
## 365 F 4 4 4 3
## 366 NA NA NA NA
## 367 F 5 3 9 1
## 368 F 3 4 2 3
## 369 NA NA NA NA
## 370 F 2 4 9 1
## 371 NA NA NA NA
## 372 G 5 4 8 2
## 373 NA NA NA NA
## 374 NA NA NA NA
## 375 F 2 4 9 2
## 376 S 6 4 4 1
## 377 NA NA NA NA
## 378 G 5 4 9 3
## 379 F 1 4 9 3
## 380 F 7 4 9 1
## 381 F 4 4 9 3
## 382 G 5 4 9 1
## 383 G 1 4 9 1
## 384 NA NA NA NA
## 385 G 3 4 9 1
## 386 F 5 4 9 3
## 387 F 2 2 9 3
## 388 F 7 1 9 2
## 389 F 2 4 9 3
## 390 F 7 2 4 1
## 391 NA NA NA NA
## 392 F 4 2 9 1
## 393 NA NA NA NA
## 394 F 5 1 9 3
## 395 F 1 1 9 1
## 396 F 3 1 9 1
## 397 F 4 4 2 3
## 398 NA NA NA NA
## 399 F 1 8 9 3
## 400 F 6 1 1 2
## 401 NA NA NA NA
## 402 F 4 4 4 3
## 403 NA NA NA NA
## 404 F 6 4 9 3
## 405 F 7 4 9 3
## 406 G 3 4 9 2
## 407 G 6 4 9 1
## 408 NA NA NA NA
## 409 NA NA NA NA
## 410 G 1 4 9 1
## 411 F 1 4 9 3
## 412 F 5 1 9 1
## 413 F 7 4 9 1
## 414 M 2 4 6 1
## 415 F 4 1 2 3
## 416 NA NA NA NA
## 417 F 6 1 9 3
## 418 G 4 4 9 1
## 419 F 7 4 9 1
## 420 F 5 4 9 3
## 421 G 1 4 2 3
## 422 NA NA NA NA
## 423 NA NA NA NA
## 424 F 1 4 2 2
## 425 NA NA NA NA
## 426 F 7 1 9 4
## 427 F 6 4 2 3
## 428 NA NA NA NA
## 429 F 6 4 9 1
## 430 F 3 2 4 1
## 431 NA NA NA NA
## 432 F 1 4 9 1
## 433 F 5 1 4 2
## 434 NA NA NA NA
## 435 F 2 1 9 1
## 436 F 4 1 2 1
## 437 NA NA NA NA
## 438 G 3 2 9 1
## 439 G 7 1 9 1
## 440 S 2 4 2 1
## 441 NA NA NA NA
## 442 M 1 8 2 3
## 443 NA NA NA NA
## 444 F 1 4 4 1
## 445 NA NA NA NA
## 446 F 7 4 9 1
## 447 F 2 4 9 3
## 448 F 6 4 2 2
## 449 NA NA NA NA
## 450 F 3 4 2 3
## 451 NA NA NA NA
## 452 F 3 2 2 1
## 453 NA NA NA NA
## 454 F 7 1 9 3
## 455 G 4 1 9 3
## 456 F 5 2 9 1
## 457 F 4 2 9 1
## 458 F 5 4 2 1
## 459 F 5 4 9 3
## 460 F 2 4 9 1
## 461 F 3 4 9 2
## 462 F 1 4 2 1
## 463 NA NA NA NA
## 464 F 6 4 9 1
## 465 F 6 4 9 1
## 466 F 6 4 9 3
## 467 F 5 4 9 1
## 468 F 5 4 9 3
## 469 F 3 1 9 3
## 470 F 1 1 1 3
## 471 NA NA NA NA
## 472 F 7 6 9 1
## 473 G 3 1 4 1
## 474 NA NA NA NA
## 475 G 4 1 9 3
## 476 F 2 1 9 1
## 477 F 2 1 2 4
## 478 NA NA NA NA
## 479 G 6 4 9 3
## 480 F 4 1 9 3
## 481 G 3 1 9 1
## 482 G 3 1 9 1
## 483 G 2 2 9 1
## 484 F 1 4 9 3
## 485 G 4 1 9 1
## 486 F 5 4 9 1
## 487 F 2 4 2 3
## 488 NA NA NA NA
## 489 G 6 4 4 3
## 490 NA NA NA NA
## 491 G 3 1 9 2
## 492 F 2 4 5 1
## 493 F 1 4 1 1
## 494 NA NA NA NA
## 495 G 1 4 9 1
## 496 M 2 1 6 3
## 497 F 2 1 9 3
## 498 G 4 4 4 2
## 499 NA NA NA NA
## 500 F 6 2 9 1
## 501 F 6 4 9 3
## 502 F 4 1 4 2
## 503 NA NA NA NA
## 504 F 4 1 1 1
## 505 NA NA NA NA
## 506 M 4 2 7 1
## 507 M 6 1 7 1
## 508 G 7 4 9 3
## 509 G 7 2 9 3
## 510 G 2 2 9 1
## 511 F 7 2 9 1
## 512 F 1 1 9 1
## 513 F 4 1 9 1
## 514 F 4 4 9 1
## 515 F 7 1 9 3
## 516 G 4 1 9 3
## 517 F 7 4 4 2
## 518 NA NA NA NA
## 519 M 3 4 2 3
## 520 NA NA NA NA
## 521 G 3 4 2 3
## 522 NA NA NA NA
## 523 G 2 4 2 3
## 524 NA NA NA NA
## 525 M 2 4 6 3
## 526 G 7 4 9 1
## 527 G 7 4 11 3
## 528 F 3 4 9 4
## 529 F 4 4 2 2
## 530 NA NA NA NA
## 531 F 4 6 9 3
## 532 G 7 4 9 1
## 533 F 1 1 4 1
## 534 NA NA NA NA
## 535 M 1 1 4 2
## 536 NA NA NA NA
## 537 F 5 1 2 1
## 538 NA NA NA NA
## 539 F 6 1 9 1
## 540 F 6 4 9 3
## 541 F 5 4 9 1
## 542 G 1 1 9 1
## 543 F 3 8 9 1
## 544 F 6 4 9 3
## 545 NA NA NA NA
## 546 F 2 4 9 3
## 547 F 3 4 9 3
## 548 F 6 8 1 1
## 549 NA NA NA NA
## 550 F 3 4 1 2
## 551 NA NA NA NA
## 552 F 1 4 1 2
## 553 NA NA NA NA
## 554 NA NA NA NA
## 555 NA NA NA NA
## 556 F 1 1 6 1
## 557 NA NA NA NA
## 558 F 3 1 2 1
## 559 NA NA NA NA
## 560 F 3 1 9 1
## 561 F 2 4 9 2
## 562 F 5 4 9 3
## 563 F 6 1 9 3
## 564 G 3 5 2 3
## 565 NA NA NA NA
## 566 F 7 5 9 1
## 567 F 7 4 2 3
## 568 NA NA NA NA
## 569 F 7 4 9 1
## 570 NA NA NA NA
## 571 F 4 4 9 3
## 572 G 3 4 9 2
## 573 G 3 4 9 1
## 574 G 7 1 2 1
## 575 NA NA NA NA
## 576 G 1 4 9 1
## 577 F 1 1 4 1
## 578 G 6 1 11 1
## 579 F 2 1 9 3
## 580 F 6 4 9 3
## 581 NA NA NA NA
## 582 G 3 4 1 3
## 583 NA NA NA NA
## 584 F 6 1 9 2
## 585 S 2 6 11 3
## 586 F 6 1 11 1
## 587 F 1 2 9 1
## 588 F 2 8 4 2
## 589 NA NA NA NA
## 590 F 1 3 9 3
## 591 F 6 8 9 3
## 592 F 3 3 9 1
## 593 G 4 2 9 3
## 594 F 2 4 9 2
## 595 F 2 8 9 2
## 596 F 7 4 4 3
## 597 NA NA NA NA
## 598 F 1 2 2 2
## 599 NA NA NA NA
## 600 F 3 4 4 1
## 601 NA NA NA NA
## 602 F 7 2 9 1
## 603 F 7 4 9 1
## 604 G 5 8 9 2
## 605 NA NA NA NA
## 606 NA NA NA NA
## 607 G 5 1 11 2
## 608 F 5 1 9 1
## 609 F 4 1 9 1
## 610 G 2 1 9 1
## 611 M 4 8 8 3
## 612 NA NA NA NA
## 613 F 7 3 9 1
## 614 F 2 4 2 2
## 615 NA NA NA NA
## 616 F 3 4 9 2
## 617 F 3 3 9 3
## 618 F 5 4 9 1
## 619 F 4 4 9 2
## 620 M 4 8 2 3
## 621 NA NA NA NA
## 622 F 5 5 9 3
## 623 F 1 8 4 3
## 624 NA NA NA NA
## 625 F 4 6 9 3
## 626 G 5 4 8 2
## 627 NA NA NA NA
## 628 G 5 4 9 2
## 629 F 1 4 2 1
## 630 NA NA NA NA
## 631 F 1 4 9 3
## 632 F 1 1 9 2
## 633 NA NA NA NA
## 634 G 6 1 9 1
## 635 F 7 4 1 1
## 636 NA NA NA NA
## 637 S 3 4 9 3
## 638 NA NA NA NA
## 639 F 3 3 9 3
## 640 F 6 4 9 1
## 641 F 7 4 9 3
## 642 G 5 4 9 1
## 643 G 6 8 9 2
## 644 G 1 1 2 1
## 645 NA NA NA NA
## 646 F 7 4 9 2
## 647 F 4 1 9 1
## 648 G 2 1 9 3
## 649 NA NA NA NA
## 650 F 7 4 2 3
## 651 NA NA NA NA
## 652 S 4 4 2 1
## 653 NA NA NA NA
## 654 M 5 4 2 1
## 655 NA NA NA NA
## 656 F 2 4 9 3
## 657 F 5 4 2 1
## 658 NA NA NA NA
## 659 F 7 8 2 4
## 660 NA NA NA NA
## 661 F 7 8 9 1
## 662 G 5 4 2 1
## 663 NA NA NA NA
## 664 F 5 4 2 2
## 665 NA NA NA NA
## 666 F 3 4 9 3
## 667 G 4 8 9 1
## 668 F 2 1 9 2
## 669 M 1 1 2 1
## 670 NA NA NA NA
## 671 F 7 8 4 4
## 672 NA NA NA NA
## 673 F 3 4 9 3
## 674 F 4 4 9 1
## 675 F 2 8 2 3
## 676 NA NA NA NA
## 677 F 2 1 9 2
## 678 F 5 1 9 3
## 679 G 1 1 2 1
## 680 NA NA NA NA
## 681 F 5 1 9 1
## 682 G 4 4 9 1
## 683 F 5 4 9 3
## 684 F 4 4 9 1
## 685 F 1 1 4 3
## 686 NA NA NA NA
## 687 F 1 4 9 3
## 688 F 1 4 9 1
## 689 F 1 4 2 3
## 690 NA NA NA NA
## 691 F 1 1 9 2
## 692 F 4 8 9 1
## 693 F 5 1 9 1
## 694 F 5 1 9 1
## 695 F 4 4 9 2
## 696 F 6 4 9 1
## 697 F 2 1 1 3
## 698 NA NA NA NA
## 699 F 1 8 9 1
## 700 F 5 4 11 2
## 701 G 4 4 9 3
## 702 F 6 4 9 3
## 703 G 7 4 9 1
## 704 F 2 4 9 3
## 705 F 4 4 2 3
## 706 NA NA NA NA
## 707 M 1 1 2 1
## 708 NA NA NA NA
## 709 G 2 4 9 2
## 710 F 5 1 2 3
## 711 NA NA NA NA
## 712 F 7 1 9 1
## 713 F 1 4 2 3
## 714 NA NA NA NA
## 715 S 2 1 9 1
## 716 G 4 1 2 3
## 717 NA NA NA NA
## 718 F 4 4 9 3
## 719 F 3 4 11 2
## 720 F 4 4 9 4
## 721 NA NA NA NA
## 722 F 3 4 9 3
## 723 F 1 1 9 3
## 724 F 6 4 9 2
## 725 F 4 1 4 3
## 726 NA NA NA NA
## 727 F 1 1 9 2
## 728 F 7 1 9 2
## 729 F 7 1 9 4
## 730 F 2 2 2 1
## 731 NA NA NA NA
## 732 F 7 1 1 2
## 733 NA NA NA NA
## 734 F 6 4 9 1
## 735 F 2 1 9 2
## 736 F 7 1 9 2
## 737 F 2 4 9 2
## 738 F 6 4 2 2
## 739 NA NA NA NA
## 740 G 6 4 8 1
## 741 NA NA NA NA
## 742 NA NA NA NA
## 743 F 4 4 9 2
## 744 F 3 6 2 1
## 745 NA NA NA NA
## 746 F 3 1 8 1
## 747 NA NA NA NA
## 748 F 7 4 9 2
## 749 G 3 4 9 2
## 750 F 2 4 2 1
## 751 NA NA NA NA
## 752 G 2 4 9 1
## 753 F 6 4 9 3
## 754 F 7 4 9 1
## 755 F 3 4 9 3
## 756 F 4 1 9 3
## 757 G 1 1 9 3
## 758 F 2 4 9 1
## 759 NA NA NA NA
## 760 F 3 4 9 3
## 761 F 1 2 9 3
## 762 NA NA NA NA
## 763 G 3 8 2 3
## 764 NA NA NA NA
## 765 F 3 1 8 1
## 766 NA NA NA NA
## 767 F 5 4 2 3
## 768 NA NA NA NA
## 769 F 1 8 6 4
## 770 NA NA NA NA
## 771 NA NA NA NA
## 772 F 4 4 9 1
## 773 F 5 4 2 3
## 774 NA NA NA NA
## 775 F 6 1 9 1
## 776 F 1 4 9 3
## 777 F 6 4 9 4
## 778 NA NA NA NA
## 779 G 7 4 9 1
## 780 G 2 4 9 4
## 781 F 6 4 9 3
## 782 F 1 4 2 1
## 783 NA NA NA NA
## 784 F 4 1 9 3
## 785 F 3 4 1 3
## 786 NA NA NA NA
## 787 NA NA NA NA
## 788 NA NA NA NA
## 789 F 4 4 9 1
## 790 F 7 4 9 3
## 791 G 7 4 9 3
## 792 F 2 4 9 1
## 793 F 5 4 9 3
## 794 S 2 NA 9 1
## 795 G 4 1 9 3
## 796 F 1 1 9 1
## 797 F 3 1 2 3
## 798 NA NA NA NA
## 799 F 2 4 1 2
## 800 NA NA NA NA
## 801 NA NA NA NA
## 802 G 4 8 9 1
## 803 F 3 8 8 2
## 804 NA NA NA NA
## 805 F 6 8 2 1
## 806 G 5 4 11 2
## 807 F 2 4 7 1
## 808 F 6 2 9 3
## 809 S 5 4 2 3
## 810 NA NA NA NA
## 811 F 5 4 9 1
## 812 F 7 3 9 3
## 813 F 6 4 9 2
## 814 F 5 4 9 1
## 815 F 7 4 9 3
## 816 G 3 4 9 3
## 817 G 1 1 9 3
## 818 F 7 4 9 3
## 819 F 4 1 9 3
## 820 S 2 1 8 2
## 821 NA NA NA NA
## 822 F 5 1 4 1
## 823 NA NA NA NA
## 824 F 3 8 9 3
## 825 F 5 1 9 1
## 826 G 5 2 4 3
## 827 NA NA NA NA
## 828 S 5 2 4 1
## 829 NA NA NA NA
## 830 G 6 4 9 3
## 831 F 2 4 7 1
## 832 F 3 4 4 1
## 833 NA NA NA NA
## 834 S 5 4 4 2
## 835 NA NA NA NA
## 836 F 6 1 2 3
## 837 NA NA NA NA
## 838 F 3 4 9 3
## 839 F 1 4 9 1
## 840 F 2 4 9 2
## 841 F 6 4 9 1
## 842 F 6 4 9 3
## 843 NA NA NA NA
## 844 G 1 1 9 1
## 845 F 5 2 4 3
## 846 NA NA NA NA
## 847 NA NA NA NA
## 848 F 1 1 3 1
## 849 NA NA NA NA
## 850 G 3 4 9 1
## 851 G 7 4 9 1
## 852 F 6 4 9 2
## 853 NA NA NA NA
## 854 NA NA NA NA
## 855 G 1 4 9 1
## 856 F 5 4 9 1
## 857 F 7 4 9 3
## 858 F 5 4 9 2
## 859 F 4 4 2 1
## 860 NA NA NA NA
## 861 G 7 4 9 1
## 862 G 5 4 9 1
## 863 NA NA NA NA
## 864 NA NA NA NA
## 865 NA NA NA NA
## 866 NA NA NA NA
## 867 NA NA NA NA
## 868 NA NA NA NA
## 869 G 4 4 9 1
## 870 F 7 4 2 1
## 871 NA NA NA NA
## 872 F 3 4 7 3
## 873 F 1 4 9 1
## 874 G 2 4 9 1
## 875 F 7 4 9 1
## 876 F 5 4 1 1
## 877 NA NA NA NA
## 878 NA NA NA NA
## 879 NA NA NA NA
## 880 F 5 4 2 3
## 881 NA NA NA NA
## 882 F 2 4 9 2
## 883 F 6 1 7 3
## 884 NA NA NA NA
## 885 F 2 4 9 1
## 886 S 4 4 2 1
## 887 NA NA NA NA
## 888 F 7 4 9 1
## 889 G 3 1 9 1
## 890 F 2 1 9 1
## 891 NA NA NA NA
## 892 NA NA NA NA
## 893 NA NA NA NA
## 894 G 1 1 8 2
## 895 NA NA NA NA
## 896 F 2 1 1 1
## 897 NA NA NA NA
## 898 F 1 4 9 3
## 899 F 5 2 9 1
## 900 F 1 4 9 1
## 901 F 2 4 9 1
## 902 F 3 1 4 1
## 903 NA NA NA NA
## 904 G 6 4 4 1
## 905 NA NA NA NA
## 906 F 3 4 9 3
## 907 G 7 4 2 1
## 908 NA NA NA NA
## 909 F 3 1 5 4
## 910 G 6 4 2 3
## 911 NA NA NA NA
## 912 G 1 4 9 1
## 913 F 3 4 1 3
## 914 NA NA NA NA
## 915 G 1 1 8 2
## 916 NA NA NA NA
## 917 F 4 4 9 3
## 918 F 3 4 9 3
## 919 F 4 2 9 2
## 920 F 7 4 4 1
## 921 NA NA NA NA
## 922 G 7 4 9 2
## 923 F 2 4 2 1
## 924 NA NA NA NA
## 925 F 6 2 9 1
## 926 F 1 4 1 2
## 927 NA NA NA NA
## 928 NA NA NA NA
## 929 NA NA NA NA
## 930 F 5 1 9 1
## 931 F 7 4 9 1
## 932 F 3 8 9 1
## 933 F 3 7 9 1
## 934 F 1 4 9 3
## 935 M 7 4 7 3
## 936 M 4 4 4 1
## 937 NA NA NA NA
## 938 G 5 4 11 3
## 939 F 4 1 9 1
## 940 F 2 8 2 3
## 941 NA NA NA NA
## 942 F 5 4 2 1
## 943 NA NA NA NA
## 944 G 6 4 9 1
## 945 M 2 4 2 1
## 946 NA NA NA NA
## 947 F 6 4 9 1
## 948 G 3 4 2 3
## 949 NA NA NA NA
## 950 F 5 4 2 4
## 951 NA NA NA NA
## 952 F 4 1 9 1
## 953 F 4 1 9 3
## 954 F 2 1 1 1
## 955 NA NA NA NA
## 956 NA NA NA NA
## 957 NA NA NA NA
## 958 NA NA NA NA
## 959 NA NA NA NA
## 960 NA NA NA NA
## 961 G 4 2 9 1
## 962 F 3 3 9 2
## 963 G 4 4 2 1
## 964 NA NA NA NA
## 965 G 6 2 2 2
## 966 NA NA NA NA
## 967 F 7 1 9 3
## 968 G 3 4 9 1
## 969 F 3 4 9 1
## 970 F 1 8 9 1
## 971 F 2 4 2 1
## 972 NA NA NA NA
## 973 S 2 4 8 3
## 974 NA NA NA NA
## 975 F 2 1 1 2
## 976 NA NA NA NA
## 977 F 4 2 9 1
## 978 F 5 1 9 3
## 979 S 2 4 2 1
## 980 NA NA NA NA
## 981 S 1 4 8 2
## 982 NA NA NA NA
## 983 F 2 4 8 1
## 984 NA NA NA NA
## 985 G 1 4 9 3
## 986 F 1 6 2 3
## 987 NA NA NA NA
## 988 G 2 8 2 3
## 989 NA NA NA NA
## 990 NA NA NA NA
## 991 S 7 4 2 2
## 992 NA NA NA NA
## 993 F 3 1 9 1
## 994 G 1 1 9 1
## 995 NA NA NA NA
## 996 NA NA NA NA
## 997 F 2 4 4 1
## 998 NA NA NA NA
## 999 F 3 8 1 2
## 1000 NA NA NA NA
## 1001 NA NA NA NA
## 1002 NA NA NA NA
## 1003 F 7 4 2 2
## 1004 NA NA NA NA
## 1005 NA NA NA NA
## 1006 F 3 1 9 3
## 1007 F 6 4 9 3
## 1008 F 7 2 4 3
## 1009 NA NA NA NA
## 1010 F 3 4 9 2
## 1011 F 3 4 9 1
## 1012 F 3 4 9 1
## 1013 F 4 4 2 1
## 1014 NA NA NA NA
## 1015 G 6 4 2 2
## 1016 F 6 8 4 3
## 1017 NA NA NA NA
## 1018 G 4 4 9 1
## 1019 M 2 4 7 2
## 1020 M 3 4 7 4
## 1021 G 2 5 9 1
## 1022 F 5 1 1 1
## 1023 F 5 1 2 1
## 1024 NA NA NA NA
## 1025 F 4 1 9 1
## 1026 F 4 2 1 1
## 1027 NA NA NA NA
## 1028 F 5 1 9 1
## 1029 G 1 1 4 3
## 1030 NA NA NA NA
## 1031 F 4 1 9 1
## 1032 G 5 4 2 2
## 1033 NA NA NA NA
## 1034 F 5 4 9 1
## 1035 S 6 4 9 1
## 1036 F 3 4 2 1
## 1037 NA NA NA NA
## 1038 F 1 4 2 3
## 1039 NA NA NA NA
## 1040 F 5 4 2 3
## 1041 NA NA NA NA
## 1042 F 7 8 9 4
## 1043 G 7 4 2 1
## 1044 NA NA NA NA
## 1045 F 4 1 9 1
## 1046 F 4 4 9 3
## 1047 M 6 4 1 3
## 1048 NA NA NA NA
## 1049 G 6 4 9 2
## 1050 F 4 4 9 3
## 1051 G 3 4 9 1
## 1052 F 3 4 9 3
## 1053 G 5 4 11 1
## 1054 F 2 4 2 3
## 1055 NA NA NA NA
## 1056 G 2 4 9 1
## 1057 NA NA NA NA
## 1058 G 1 4 2 1
## 1059 NA NA NA NA
## 1060 F 4 4 9 2
## 1061 F 4 4 8 1
## 1062 NA NA NA NA
## 1063 F 1 1 4 1
## 1064 NA NA NA NA
## 1065 G 3 4 9 3
## 1066 F 4 2 9 1
## 1067 F 2 2 9 3
## 1068 F 4 1 9 2
## 1069 F 7 8 2 1
## 1070 NA NA NA NA
## 1071 F 6 4 9 4
## 1072 G 1 4 9 3
## 1073 NA NA NA NA
## 1074 F 7 4 9 2
## 1075 F 5 4 9 1
## 1076 F 6 4 9 4
## 1077 NA NA NA NA
## 1078 F 5 4 9 3
## 1079 F 7 1 9 2
## 1080 F 1 8 8 2
## 1081 NA NA NA NA
## 1082 F 5 5 9 3
## 1083 F 1 1 9 3
## 1084 F 5 4 2 3
## 1085 NA NA NA NA
## 1086 F 3 4 9 3
## 1087 S 1 1 9 1
## 1088 F 4 4 4 2
## 1089 NA NA NA NA
## 1090 G 7 2 9 3
## 1091 F 2 4 9 3
## 1092 F 1 1 9 1
## 1093 G 4 4 9 1
## 1094 G 3 4 9 1
## 1095 F 7 1 4 1
## 1096 NA NA NA NA
## 1097 F 2 1 9 2
## 1098 F 2 4 9 1
## 1099 F 7 4 9 3
## 1100 F 6 1 9 1
## 1101 F 2 4 1 2
## 1102 NA NA NA NA
## 1103 G 7 4 2 1
## 1104 NA NA NA NA
## 1105 G 6 4 9 3
## 1106 F 3 4 9 2
## 1107 F 1 2 9 2
## 1108 F 1 3 1 3
## 1109 NA NA NA NA
## 1110 G 7 4 2 3
## 1111 NA NA NA NA
## 1112 G 4 4 9 3
## 1113 NA NA NA NA
## 1114 F 5 4 9 1
## 1115 G 1 1 4 1
## 1116 NA NA NA NA
## 1117 G 5 4 9 3
## 1118 F 5 4 9 4
## 1119 F 5 4 2 1
## 1120 NA NA NA NA
## 1121 G 7 4 4 1
## 1122 NA NA NA NA
## 1123 F 3 4 2 3
## 1124 NA NA NA NA
## 1125 G 4 8 2 1
## 1126 NA NA NA NA
## 1127 NA NA NA NA
## 1128 F 4 8 9 3
## 1129 G 3 4 9 1
## 1130 NA NA NA NA
## 1131 G 5 4 9 1
## 1132 F 7 4 9 2
## 1133 NA NA NA NA
## 1134 F 3 8 1 3
## 1135 NA NA NA NA
## 1136 F 6 4 9 1
## 1137 F 7 1 9 3
## 1138 F 4 2 2 3
## 1139 NA NA NA NA
## 1140 F 1 4 2 2
## 1141 NA NA NA NA
## 1142 G 5 4 1 1
## 1143 NA NA NA NA
## 1144 G 3 8 2 1
## 1145 NA NA NA NA
## 1146 F 3 4 9 1
## 1147 NA NA NA NA
## 1148 F 5 4 9 3
## 1149 G 1 4 4 1
## 1150 NA NA NA NA
## 1151 F 4 4 9 1
## 1152 F 5 3 9 2
## 1153 F 7 4 9 2
## 1154 G 6 4 9 1
## 1155 F 7 4 9 1
## 1156 F 5 4 9 3
## 1157 F 6 4 9 1
## 1158 F 3 4 9 1
## 1159 G 6 4 9 3
## 1160 F 3 8 4 1
## 1161 NA NA NA NA
## 1162 F 4 8 2 3
## 1163 NA NA NA NA
## 1164 F 3 4 9 1
## 1165 F 1 4 9 2
## 1166 G 5 4 2 1
## 1167 NA NA NA NA
## 1168 G 5 1 9 3
## 1169 F 6 4 11 3
## 1170 F 2 4 2 1
## 1171 NA NA NA NA
## 1172 G 2 4 2 3
## 1173 NA NA NA NA
## 1174 F 3 4 2 3
## 1175 NA NA NA NA
## 1176 F 3 4 9 1
## 1177 NA NA NA NA
## 1178 F 4 4 9 1
## 1179 F 2 4 11 1
## 1180 F 1 4 4 2
## 1181 NA NA NA NA
## 1182 G 5 4 2 4
## 1183 NA NA NA NA
## 1184 NA NA NA NA
## 1185 F 2 4 9 1
## 1186 G 7 4 9 1
## 1187 F 1 1 9 1
## 1188 NA NA NA NA
## 1189 F 2 4 4 1
## 1190 NA NA NA NA
## 1191 F 3 8 2 1
## 1192 NA NA NA NA
## 1193 G 3 4 2 1
## 1194 NA NA NA NA
## 1195 G 6 4 9 3
## 1196 F 1 1 4 1
## 1197 NA NA NA NA
## 1198 G 3 4 2 1
## 1199 NA NA NA NA
## 1200 F 4 4 9 3
## 1201 F 2 4 9 3
## 1202 F 4 4 9 3
## 1203 F 7 2 9 2
## 1204 F 1 4 9 4
## 1205 F 5 4 9 1
## 1206 F 2 2 9 1
## 1207 F 5 4 2 1
## 1208 NA NA NA NA
## 1209 F 7 4 9 2
## 1210 F 1 4 9 2
## 1211 F 5 4 9 4
## 1212 F 6 4 11 2
## 1213 F 2 4 4 1
## 1214 NA NA NA NA
## 1215 F 7 5 2 3
## 1216 NA NA NA NA
## 1217 F 7 4 2 1
## 1218 NA NA NA NA
## 1219 G 6 6 11 3
## 1220 F 2 4 4 4
## 1221 NA NA NA NA
## 1222 G 4 4 9 2
## 1223 F 5 1 9 4
## 1224 F 3 4 2 3
## 1225 NA NA NA NA
## 1226 G 1 4 2 3
## 1227 NA NA NA NA
## 1228 F 1 4 9 3
## 1229 G 4 4 9 1
## 1230 M 4 2 8 1
## 1231 NA NA NA NA
## 1232 G 2 2 9 1
## 1233 F 2 2 9 3
## 1234 F 2 4 2 3
## 1235 NA NA NA NA
## 1236 F 4 1 2 3
## 1237 NA NA NA NA
## 1238 G 3 4 9 3
## 1239 NA NA NA NA
## 1240 G 1 4 2 3
## 1241 NA NA NA NA
## 1242 G 7 2 2 1
## 1243 NA NA NA NA
## 1244 F 5 4 9 1
## 1245 F 4 4 9 1
## 1246 G 4 4 9 3
## 1247 S 2 4 2 1
## 1248 NA NA NA NA
## 1249 F 3 8 1 1
## 1250 NA NA NA NA
## 1251 G 4 4 9 1
## 1252 S 3 4 8 3
## 1253 NA NA NA NA
## 1254 F 3 1 9 1
## 1255 F 5 4 9 1
## 1256 S 3 8 9 1
## 1257 S 3 8 9 1
## 1258 G 1 4 9 1
## 1259 S 6 4 9 1
## 1260 F 5 4 2 2
## 1261 NA NA NA NA
## 1262 F 5 1 4 3
## 1263 NA NA NA NA
## 1264 F 4 4 9 4
## 1265 NA NA NA NA
## 1266 F 7 1 9 1
## 1267 F 2 8 2 1
## 1268 NA NA NA NA
## 1269 F 1 4 9 4
## 1270 F 4 4 9 1
## 1271 F 2 4 9 1
## 1272 F 7 1 9 2
## 1273 F 1 1 1 2
## 1274 NA NA NA NA
## 1275 F 5 8 2 1
## 1276 NA NA NA NA
## 1277 F 5 4 2 1
## 1278 NA NA NA NA
## 1279 G 5 8 11 3
## 1280 G 1 4 9 1
## 1281 G 1 3 9 1
## 1282 G 3 4 8 1
## 1283 NA NA NA NA
## 1284 S 1 6 4 3
## 1285 NA NA NA NA
## 1286 F 7 2 2 1
## 1287 NA NA NA NA
## 1288 F 4 1 1 1
## 1289 NA NA NA NA
## 1290 F 1 1 9 1
## 1291 F 6 4 2 3
## 1292 NA NA NA NA
## 1293 F 2 4 9 3
## 1294 NA NA NA NA
## 1295 S 6 4 9 3
## 1296 G 3 4 9 1
## 1297 F 3 2 9 3
## 1298 F 4 2 9 1
## 1299 F 1 4 9 3
## 1300 F 5 8 4 1
## 1301 NA NA NA NA
## 1302 NA NA NA NA
## 1303 G 7 4 9 1
## 1304 NA NA NA NA
## 1305 NA NA NA NA
## 1306 NA NA NA NA
## 1307 NA NA NA NA
## 1308 NA NA NA NA
## 1309 NA NA NA NA
## 1310 NA NA NA NA
## 1311 NA NA NA NA
## 1312 NA NA NA NA
## 1313 NA NA NA NA
## 1314 NA NA NA NA
## 1315 NA NA NA NA
## 1316 NA NA NA NA
## 1317 NA NA NA NA
## 1318 NA NA NA NA
## 1319 G 6 8 9 1
## 1320 F 7 4 9 1
## 1321 F 7 4 2 1
## 1322 NA NA NA NA
## 1323 F 5 7 11 2
## 1324 F 1 4 2 1
## 1325 G 1 4 4 1
## 1326 NA NA NA NA
## 1327 G 1 4 9 3
## 1328 F 2 1 9 1
## 1329 F 2 8 7 1
## 1330 M 5 8 8 1
## 1331 NA NA NA NA
## 1332 NA NA NA NA
## 1333 NA NA NA NA
## 1334 NA NA NA NA
## 1335 G 6 1 4 1
## 1336 NA NA NA NA
## 1337 F 3 4 4 3
## 1338 NA NA NA NA
## 1339 F 3 4 9 3
## 1340 F 6 2 2 3
## 1341 NA NA NA NA
## 1342 F 3 4 1 1
## 1343 NA NA NA NA
## 1344 M 2 8 7 3
## 1345 F 3 6 9 1
## 1346 F 1 6 9 1
## 1347 F 7 3 9 1
## 1348 F 2 1 9 1
## 1349 F 3 2 11 2
## 1350 F 6 1 9 3
## 1351 F 3 1 9 2
## 1352 F 5 4 9 1
## 1353 F 1 1 1 1
## 1354 NA NA NA NA
## 1355 F 7 4 9 3
## 1356 F 5 4 11 1
## 1357 NA NA NA NA
## 1358 F 6 4 9 3
## 1359 NA NA NA NA
## 1360 NA NA NA NA
## 1361 NA NA NA NA
## 1362 NA NA NA NA
## 1363 G 1 1 9 1
## 1364 F 4 1 9 1
## 1365 F 3 4 9 1
## 1366 F 4 4 2 1
## 1367 NA NA NA NA
## 1368 F 2 5 9 1
## 1369 G 2 4 1 1
## 1370 NA NA NA NA
## 1371 G 2 6 4 2
## 1372 NA NA NA NA
## 1373 F 6 4 9 1
## 1374 F 5 1 4 1
## 1375 NA NA NA NA
## 1376 F 5 4 9 2
## 1377 F 7 4 9 1
## 1378 F 6 4 2 4
## 1379 NA NA NA NA
## 1380 F 3 1 4 1
## 1381 NA NA NA NA
## 1382 F 1 1 2 2
## 1383 NA NA NA NA
## 1384 F 2 2 2 3
## 1385 NA NA NA NA
## 1386 F 6 4 9 3
## 1387 F 7 2 8 3
## 1388 NA NA NA NA
## 1389 NA NA NA NA
## 1390 G 7 6 9 4
## 1391 G 4 8 2 1
## 1392 NA NA NA NA
## 1393 F 2 8 9 3
## 1394 F 4 6 2 1
## 1395 NA NA NA NA
## 1396 G 4 1 9 1
## 1397 G 4 4 2 3
## 1398 NA NA NA NA
## 1399 F 4 3 9 3
## 1400 F 2 4 9 1
## 1401 F 5 3 9 1
## 1402 F 6 2 9 1
## 1403 F 2 1 9 1
## 1404 F 4 1 9 3
## 1405 G 4 4 9 1
## 1406 F 4 2 9 3
## 1407 F 3 4 9 1
## 1408 F 2 4 9 3
## 1409 F 2 4 9 3
## 1410 F 7 4 9 1
## 1411 G 5 4 9 3
## 1412 F 3 3 9 1
## 1413 G 7 4 9 3
## 1414 NA NA NA NA
## 1415 G 7 4 9 1
## 1416 F 5 4 2 1
## 1417 NA NA NA NA
## 1418 F 4 4 2 1
## 1419 NA NA NA NA
## 1420 F 1 4 9 2
## 1421 F 5 2 11 3
## 1422 F 2 2 9 1
## 1423 F 3 4 2 3
## 1424 NA NA NA NA
## 1425 F 2 4 4 3
## 1426 NA NA NA NA
## 1427 S 5 8 2 1
## 1428 NA NA NA NA
## 1429 F 6 4 9 1
## 1430 G 6 4 9 1
## 1431 F 2 4 9 1
## 1432 F 5 4 9 3
## 1433 F 5 4 9 2
## 1434 F 3 1 9 4
## 1435 F 2 4 9 1
## 1436 F 5 1 9 3
## 1437 G 5 2 3 1
## 1438 F 5 4 9 1
## 1439 F 4 4 2 1
## 1440 NA NA NA NA
## 1441 F 6 1 2 1
## 1442 NA NA NA NA
## 1443 F 1 4 9 2
## 1444 F 2 4 2 1
## 1445 NA NA NA NA
## 1446 F 2 8 9 3
## 1447 F 7 4 2 3
## 1448 NA NA NA NA
## 1449 S 4 8 2 2
## 1450 NA NA NA NA
## 1451 G 5 1 2 2
## 1452 NA NA NA NA
## 1453 S 7 4 9 3
## 1454 F 5 8 2 1
## 1455 NA NA NA NA
## 1456 F 7 2 9 4
## 1457 F 6 2 2 3
## 1458 NA NA NA NA
## 1459 G 2 1 9 1
## 1460 G 1 4 9 2
## 1461 G 5 4 9 1
## 1462 F 2 4 9 3
## 1463 F 1 1 4 3
## 1464 NA NA NA NA
## 1465 S 4 2 2 4
## 1466 NA NA NA NA
## 1467 G 6 4 2 3
## 1468 NA NA NA NA
## 1469 F 4 4 4 2
## 1470 NA NA NA NA
## 1471 F 4 8 11 2
## 1472 G 2 8 9 1
## 1473 F 6 4 9 3
## 1474 M 2 4 4 1
## 1475 NA NA NA NA
## 1476 F 7 4 9 1
## 1477 F 2 1 4 1
## 1478 NA NA NA NA
## 1479 G 2 4 1 1
## 1480 NA NA NA NA
## 1481 F 7 4 9 3
## 1482 F 4 4 9 3
## 1483 G 2 4 2 1
## 1484 NA NA NA NA
## 1485 G 3 4 11 4
## 1486 F 1 8 9 2
## 1487 F 5 1 9 4
## 1488 G 7 4 2 1
## 1489 NA NA NA NA
## 1490 F 2 2 2 2
## 1491 NA NA NA NA
## 1492 F 7 2 2 3
## 1493 NA NA NA NA
## 1494 F 3 4 9 3
## Vehicle_type Vehicle_damage
## 1 10 2
## 2 12 1
## 3 14 2
## 4 10 2
## 5 8 2
## 6 4 1
## 7 2 1
## 8 8 1
## 9 NA NA
## 10 9 2
## 11 5 3
## 12 8 1
## 13 9 1
## 14 8 1
## 15 9 2
## 16 NA NA
## 17 NA NA
## 18 9 1
## 19 9 2
## 20 4 3
## 21 9 1
## 22 9 2
## 23 9 1
## 24 8 2
## 25 12 3
## 26 9 1
## 27 9 1
## 28 8 1
## 29 14 1
## 30 9 1
## 31 9 1
## 32 9 1
## 33 9 2
## 34 14 1
## 35 4 1
## 36 9 2
## 37 4 7
## 38 9 1
## 39 9 1
## 40 9 2
## 41 19 3
## 42 9 1
## 43 19 1
## 44 8 1
## 45 NA NA
## 46 12 1
## 47 14 1
## 48 9 4
## 49 9 5
## 50 13 1
## 51 4 6
## 52 9 1
## 53 9 1
## 54 9 2
## 55 10 3
## 56 4 1
## 57 9 1
## 58 9 2
## 59 4 3
## 60 9 8
## 61 NA NA
## 62 9 1
## 63 4 3
## 64 9 1
## 65 10 1
## 66 19 5
## 67 8 5
## 68 14 1
## 69 9 1
## 70 4 7
## 71 10 1
## 72 8 8
## 73 2 3
## 74 8 2
## 75 19 2
## 76 9 2
## 77 12 1
## 78 19 4
## 79 2 1
## 80 9 1
## 81 9 1
## 82 8 1
## 83 8 1
## 84 4 3
## 85 9 1
## 86 9 1
## 87 NA NA
## 88 19 1
## 89 19 4
## 90 14 1
## 91 9 4
## 92 9 5
## 93 10 1
## 94 8 1
## 95 9 1
## 96 9 1
## 97 1 3
## 98 9 1
## 99 9 1
## 100 9 1
## 101 4 7
## 102 19 7
## 103 9 1
## 104 9 1
## 105 14 2
## 106 NA NA
## 107 9 2
## 108 14 1
## 109 14 8
## 110 8 2
## 111 8 5
## 112 9 7
## 113 19 3
## 114 7 2
## 115 9 4
## 116 10 1
## 117 8 1
## 118 13 2
## 119 10 2
## 120 2 3
## 121 14 1
## 122 8 2
## 123 10 3
## 124 9 2
## 125 4 7
## 126 12 2
## 127 2 3
## 128 9 1
## 129 8 1
## 130 10 1
## 131 8 1
## 132 8 1
## 133 8 1
## 134 14 1
## 135 14 1
## 136 9 1
## 137 13 1
## 138 9 1
## 139 9 1
## 140 9 1
## 141 9 2
## 142 9 1
## 143 14 2
## 144 4 7
## 145 9 1
## 146 9 1
## 147 7 2
## 148 4 7
## 149 14 1
## 150 4 3
## 151 14 1
## 152 9 1
## 153 8 1
## 154 8 2
## 155 9 2
## 156 10 3
## 157 9 1
## 158 9 1
## 159 19 1
## 160 10 1
## 161 14 1
## 162 9 1
## 163 8 2
## 164 4 3
## 165 14 1
## 166 NA NA
## 167 10 4
## 168 19 5
## 169 14 1
## 170 12 8
## 171 19 8
## 172 9 2
## 173 9 2
## 174 19 8
## 175 9 1
## 176 9 1
## 177 9 2
## 178 9 1
## 179 12 2
## 180 4 1
## 181 9 1
## 182 9 1
## 183 10 2
## 184 9 1
## 185 10 8
## 186 12 8
## 187 9 1
## 188 9 1
## 189 9 2
## 190 12 3
## 191 NA NA
## 192 NA NA
## 193 NA NA
## 194 NA NA
## 195 NA NA
## 196 NA NA
## 197 9 1
## 198 9 1
## 199 19 1
## 200 9 4
## 201 19 5
## 202 NA NA
## 203 NA NA
## 204 9 1
## 205 9 2
## 206 2 3
## 207 14 4
## 208 13 5
## 209 7 1
## 210 19 8
## 211 9 8
## 212 9 1
## 213 7 8
## 214 9 2
## 215 14 3
## 216 7 3
## 217 9 1
## 218 10 2
## 219 3 1
## 220 8 1
## 221 14 1
## 222 14 1
## 223 5 2
## 224 10 1
## 225 11 5
## 226 11 5
## 227 9 2
## 228 5 3
## 229 4 2
## 230 9 8
## 231 12 1
## 232 14 3
## 233 6 2
## 234 10 3
## 235 10 1
## 236 10 3
## 237 12 1
## 238 9 1
## 239 14 1
## 240 11 1
## 241 14 1
## 242 9 2
## 243 10 3
## 244 9 1
## 245 4 3
## 246 9 1
## 247 9 1
## 248 9 2
## 249 9 1
## 250 9 1
## 251 8 1
## 252 4 3
## 253 10 2
## 254 4 3
## 255 19 2
## 256 8 1
## 257 4 5
## 258 9 1
## 259 19 1
## 260 19 1
## 261 9 1
## 262 9 1
## 263 4 7
## 264 8 2
## 265 19 7
## 266 19 7
## 267 10 1
## 268 8 1
## 269 9 1
## 270 11 1
## 271 12 2
## 272 2 5
## 273 9 1
## 274 4 7
## 275 8 1
## 276 9 1
## 277 9 1
## 278 1 7
## 279 12 2
## 280 9 2
## 281 19 3
## 282 NA NA
## 283 NA NA
## 284 NA NA
## 285 9 3
## 286 13 2
## 287 9 2
## 288 9 1
## 289 9 1
## 290 8 1
## 291 9 1
## 292 9 1
## 293 9 1
## 294 9 1
## 295 NA NA
## 296 9 1
## 297 13 1
## 298 9 1
## 299 9 2
## 300 5 1
## 301 4 1
## 302 9 1
## 303 19 4
## 304 19 4
## 305 9 1
## 306 8 2
## 307 19 7
## 308 19 2
## 309 9 2
## 310 4 7
## 311 12 1
## 312 14 1
## 313 6 1
## 314 9 1
## 315 4 7
## 316 9 1
## 317 NA NA
## 318 NA NA
## 319 NA NA
## 320 9 1
## 321 12 1
## 322 9 1
## 323 NA NA
## 324 9 1
## 325 9 1
## 326 10 1
## 327 9 7
## 328 NA NA
## 329 NA NA
## 330 NA NA
## 331 NA NA
## 332 NA NA
## 333 9 8
## 334 NA NA
## 335 NA NA
## 336 9 1
## 337 9 2
## 338 9 5
## 339 19 1
## 340 4 7
## 341 9 1
## 342 13 1
## 343 NA NA
## 344 8 1
## 345 8 1
## 346 9 1
## 347 14 2
## 348 12 3
## 349 14 1
## 350 9 1
## 351 19 1
## 352 9 1
## 353 14 1
## 354 10 2
## 355 4 3
## 356 14 1
## 357 9 1
## 358 12 4
## 359 19 NA
## 360 14 1
## 361 9 1
## 362 4 2
## 363 14 2
## 364 14 3
## 365 9 2
## 366 19 7
## 367 9 1
## 368 8 2
## 369 4 3
## 370 8 1
## 371 NA NA
## 372 8 1
## 373 11 1
## 374 4 5
## 375 14 1
## 376 8 5
## 377 2 5
## 378 19 1
## 379 7 1
## 380 4 1
## 381 14 8
## 382 4 1
## 383 4 2
## 384 NA NA
## 385 9 1
## 386 9 1
## 387 8 1
## 388 9 1
## 389 19 1
## 390 9 2
## 391 4 3
## 392 9 6
## 393 NA NA
## 394 14 1
## 395 8 1
## 396 8 1
## 397 13 2
## 398 4 7
## 399 8 1
## 400 9 2
## 401 4 2
## 402 14 7
## 403 2 8
## 404 9 1
## 405 9 1
## 406 8 1
## 407 9 2
## 408 NA NA
## 409 NA NA
## 410 6 1
## 411 9 1
## 412 8 1
## 413 9 1
## 414 8 1
## 415 9 1
## 416 4 7
## 417 9 1
## 418 6 1
## 419 19 1
## 420 13 1
## 421 9 1
## 422 9 2
## 423 14 3
## 424 9 1
## 425 1 7
## 426 9 1
## 427 13 2
## 428 2 3
## 429 9 1
## 430 9 4
## 431 9 5
## 432 9 1
## 433 9 1
## 434 4 3
## 435 9 1
## 436 9 2
## 437 4 3
## 438 19 1
## 439 13 1
## 440 7 4
## 441 7 5
## 442 14 1
## 443 10 3
## 444 4 3
## 445 7 2
## 446 9 1
## 447 9 1
## 448 9 4
## 449 4 7
## 450 8 2
## 451 4 7
## 452 NA 2
## 453 2 3
## 454 9 1
## 455 14 1
## 456 8 1
## 457 4 1
## 458 9 2
## 459 9 1
## 460 4 1
## 461 19 1
## 462 19 2
## 463 19 3
## 464 9 1
## 465 9 1
## 466 1 1
## 467 9 1
## 468 7 1
## 469 9 1
## 470 19 8
## 471 4 8
## 472 8 1
## 473 9 2
## 474 4 3
## 475 4 1
## 476 9 1
## 477 14 1
## 478 4 3
## 479 19 3
## 480 7 1
## 481 4 1
## 482 9 7
## 483 4 1
## 484 9 1
## 485 9 1
## 486 9 1
## 487 14 2
## 488 2 3
## 489 4 2
## 490 14 2
## 491 9 1
## 492 9 1
## 493 9 2
## 494 9 2
## 495 9 1
## 496 12 1
## 497 7 1
## 498 14 2
## 499 19 5
## 500 13 1
## 501 8 1
## 502 10 1
## 503 1 7
## 504 13 1
## 505 4 7
## 506 9 1
## 507 8 1
## 508 10 1
## 509 10 1
## 510 9 1
## 511 10 1
## 512 7 1
## 513 8 1
## 514 8 1
## 515 7 1
## 516 10 1
## 517 9 2
## 518 1 7
## 519 14 3
## 520 14 2
## 521 10 2
## 522 10 3
## 523 10 3
## 524 2 3
## 525 9 2
## 526 19 1
## 527 10 1
## 528 9 1
## 529 2 3
## 530 9 1
## 531 14 1
## 532 13 1
## 533 9 2
## 534 2 3
## 535 9 4
## 536 19 2
## 537 14 1
## 538 4 3
## 539 9 1
## 540 19 1
## 541 8 1
## 542 19 1
## 543 9 1
## 544 9 1
## 545 NA NA
## 546 9 1
## 547 9 1
## 548 9 1
## 549 4 7
## 550 14 2
## 551 4 3
## 552 12 1
## 553 12 2
## 554 NA NA
## 555 NA NA
## 556 8 2
## 557 NA NA
## 558 10 2
## 559 4 7
## 560 9 1
## 561 9 1
## 562 9 1
## 563 10 1
## 564 9 2
## 565 4 3
## 566 9 1
## 567 9 2
## 568 4 7
## 569 9 2
## 570 NA NA
## 571 14 1
## 572 7 1
## 573 12 1
## 574 9 2
## 575 4 3
## 576 9 2
## 577 9 1
## 578 9 1
## 579 19 8
## 580 7 1
## 581 NA NA
## 582 14 2
## 583 4 2
## 584 9 1
## 585 8 1
## 586 8 8
## 587 6 1
## 588 10 4
## 589 6 8
## 590 14 1
## 591 8 1
## 592 4 2
## 593 9 1
## 594 14 1
## 595 9 1
## 596 4 3
## 597 19 2
## 598 5 3
## 599 8 2
## 600 9 1
## 601 4 7
## 602 8 1
## 603 9 2
## 604 19 1
## 605 NA NA
## 606 NA NA
## 607 13 1
## 608 9 1
## 609 9 1
## 610 8 1
## 611 14 2
## 612 19 3
## 613 8 1
## 614 19 1
## 615 19 1
## 616 14 1
## 617 19 1
## 618 9 1
## 619 9 1
## 620 9 1
## 621 6 7
## 622 9 1
## 623 19 4
## 624 9 5
## 625 14 1
## 626 9 1
## 627 2 7
## 628 8 1
## 629 9 1
## 630 4 1
## 631 7 1
## 632 9 1
## 633 NA NA
## 634 9 1
## 635 9 2
## 636 4 7
## 637 9 1
## 638 NA NA
## 639 9 1
## 640 9 1
## 641 9 1
## 642 8 1
## 643 15 1
## 644 10 1
## 645 2 3
## 646 9 1
## 647 8 8
## 648 9 1
## 649 NA NA
## 650 1 2
## 651 4 7
## 652 10 1
## 653 2 3
## 654 4 2
## 655 10 3
## 656 19 1
## 657 7 8
## 658 4 NA
## 659 9 1
## 660 2 7
## 661 9 1
## 662 9 1
## 663 2 3
## 664 10 2
## 665 4 7
## 666 12 1
## 667 9 1
## 668 9 1
## 669 6 2
## 670 6 3
## 671 9 1
## 672 4 7
## 673 4 2
## 674 10 2
## 675 4 1
## 676 14 2
## 677 9 1
## 678 8 1
## 679 19 2
## 680 4 3
## 681 4 1
## 682 9 1
## 683 6 1
## 684 9 2
## 685 8 1
## 686 2 3
## 687 9 1
## 688 9 2
## 689 12 1
## 690 2 3
## 691 19 1
## 692 19 1
## 693 10 1
## 694 4 1
## 695 4 1
## 696 19 1
## 697 10 2
## 698 4 2
## 699 19 1
## 700 9 1
## 701 19 1
## 702 13 1
## 703 9 1
## 704 19 1
## 705 10 2
## 706 2 3
## 707 9 2
## 708 10 3
## 709 9 8
## 710 4 3
## 711 15 2
## 712 5 1
## 713 9 2
## 714 1 7
## 715 4 1
## 716 10 2
## 717 4 NA
## 718 4 1
## 719 9 1
## 720 14 8
## 721 NA NA
## 722 8 1
## 723 8 1
## 724 8 1
## 725 8 4
## 726 8 5
## 727 14 1
## 728 14 1
## 729 19 1
## 730 12 2
## 731 4 2
## 732 19 8
## 733 4 2
## 734 19 2
## 735 9 1
## 736 19 1
## 737 19 2
## 738 14 2
## 739 4 3
## 740 10 3
## 741 10 2
## 742 NA NA
## 743 9 1
## 744 8 1
## 745 4 3
## 746 14 2
## 747 13 2
## 748 7 1
## 749 4 1
## 750 14 1
## 751 4 7
## 752 8 1
## 753 12 1
## 754 9 1
## 755 14 2
## 756 10 1
## 757 9 1
## 758 9 1
## 759 NA NA
## 760 12 1
## 761 13 1
## 762 NA NA
## 763 14 1
## 764 10 1
## 765 4 3
## 766 4 3
## 767 9 1
## 768 4 1
## 769 19 2
## 770 NA NA
## 771 NA NA
## 772 9 1
## 773 14 1
## 774 4 7
## 775 8 1
## 776 7 1
## 777 9 3
## 778 NA NA
## 779 4 2
## 780 14 1
## 781 19 1
## 782 4 7
## 783 9 1
## 784 8 1
## 785 9 2
## 786 9 2
## 787 NA NA
## 788 NA NA
## 789 9 1
## 790 19 1
## 791 14 1
## 792 9 2
## 793 19 1
## 794 7 2
## 795 8 1
## 796 8 2
## 797 8 2
## 798 2 3
## 799 9 8
## 800 5 NA
## 801 NA NA
## 802 9 1
## 803 9 2
## 804 10 3
## 805 9 1
## 806 7 1
## 807 9 1
## 808 5 1
## 809 10 2
## 810 4 3
## 811 14 2
## 812 4 8
## 813 9 1
## 814 19 1
## 815 14 1
## 816 14 1
## 817 14 1
## 818 14 1
## 819 9 1
## 820 10 2
## 821 2 3
## 822 9 1
## 823 9 1
## 824 19 1
## 825 11 1
## 826 10 7
## 827 10 7
## 828 10 7
## 829 11 5
## 830 9 7
## 831 9 1
## 832 9 4
## 833 9 5
## 834 9 1
## 835 8 5
## 836 14 1
## 837 4 3
## 838 9 2
## 839 12 1
## 840 9 1
## 841 19 1
## 842 8 1
## 843 NA NA
## 844 12 2
## 845 14 1
## 846 4 1
## 847 NA NA
## 848 4 8
## 849 13 8
## 850 9 1
## 851 10 1
## 852 13 2
## 853 NA NA
## 854 NA NA
## 855 9 1
## 856 19 1
## 857 19 1
## 858 10 1
## 859 12 1
## 860 4 3
## 861 9 1
## 862 13 1
## 863 NA NA
## 864 NA NA
## 865 NA NA
## 866 NA NA
## 867 NA NA
## 868 NA NA
## 869 19 1
## 870 9 2
## 871 2 3
## 872 14 2
## 873 12 1
## 874 10 1
## 875 19 1
## 876 19 7
## 877 4 7
## 878 NA NA
## 879 NA NA
## 880 5 2
## 881 5 3
## 882 13 1
## 883 9 8
## 884 NA NA
## 885 4 1
## 886 8 1
## 887 1 7
## 888 19 1
## 889 9 1
## 890 9 8
## 891 9 8
## 892 19 1
## 893 19 2
## 894 8 1
## 895 4 7
## 896 9 1
## 897 1 1
## 898 14 1
## 899 10 1
## 900 9 1
## 901 9 1
## 902 12 2
## 903 4 4
## 904 4 2
## 905 10 2
## 906 14 1
## 907 7 2
## 908 2 3
## 909 12 2
## 910 10 1
## 911 2 7
## 912 4 8
## 913 14 1
## 914 4 2
## 915 8 8
## 916 4 7
## 917 9 1
## 918 9 1
## 919 7 1
## 920 8 1
## 921 4 7
## 922 10 1
## 923 12 1
## 924 4 7
## 925 9 7
## 926 12 2
## 927 6 3
## 928 NA NA
## 929 NA NA
## 930 14 2
## 931 10 1
## 932 8 1
## 933 7 1
## 934 9 1
## 935 14 5
## 936 19 5
## 937 19 4
## 938 4 4
## 939 9 1
## 940 14 1
## 941 4 7
## 942 10 1
## 943 11 1
## 944 4 1
## 945 9 2
## 946 10 3
## 947 9 1
## 948 4 2
## 949 2 3
## 950 12 3
## 951 4 3
## 952 9 1
## 953 14 1
## 954 14 2
## 955 19 7
## 956 NA NA
## 957 NA NA
## 958 NA NA
## 959 NA NA
## 960 NA NA
## 961 4 1
## 962 9 1
## 963 9 2
## 964 19 1
## 965 19 2
## 966 4 3
## 967 8 1
## 968 9 1
## 969 9 1
## 970 14 1
## 971 9 2
## 972 4 7
## 973 9 2
## 974 12 3
## 975 9 2
## 976 4 2
## 977 9 7
## 978 NA 7
## 979 10 2
## 980 9 3
## 981 9 1
## 982 4 3
## 983 9 1
## 984 4 8
## 985 9 1
## 986 14 1
## 987 4 3
## 988 9 1
## 989 19 3
## 990 NA NA
## 991 11 7
## 992 11 7
## 993 12 1
## 994 9 1
## 995 NA NA
## 996 NA NA
## 997 9 1
## 998 9 1
## 999 9 2
## 1000 19 3
## 1001 NA NA
## 1002 NA NA
## 1003 13 2
## 1004 19 7
## 1005 NA NA
## 1006 13 8
## 1007 9 1
## 1008 8 1
## 1009 4 3
## 1010 19 1
## 1011 19 1
## 1012 9 1
## 1013 14 1
## 1014 4 3
## 1015 9 1
## 1016 13 2
## 1017 10 3
## 1018 9 1
## 1019 12 2
## 1020 12 2
## 1021 9 1
## 1022 19 1
## 1023 4 1
## 1024 4 7
## 1025 9 1
## 1026 9 1
## 1027 4 3
## 1028 12 1
## 1029 9 8
## 1030 4 3
## 1031 19 1
## 1032 10 1
## 1033 4 3
## 1034 7 1
## 1035 4 1
## 1036 13 2
## 1037 4 3
## 1038 12 2
## 1039 9 3
## 1040 9 1
## 1041 4 7
## 1042 9 1
## 1043 9 1
## 1044 4 3
## 1045 9 1
## 1046 14 1
## 1047 8 2
## 1048 10 2
## 1049 9 1
## 1050 9 1
## 1051 7 1
## 1052 19 1
## 1053 8 1
## 1054 15 8
## 1055 1 7
## 1056 9 1
## 1057 9 1
## 1058 19 1
## 1059 4 3
## 1060 19 1
## 1061 9 1
## 1062 9 1
## 1063 9 1
## 1064 9 1
## 1065 9 1
## 1066 9 7
## 1067 9 7
## 1068 4 1
## 1069 4 2
## 1070 2 3
## 1071 9 1
## 1072 19 1
## 1073 19 1
## 1074 12 1
## 1075 8 1
## 1076 9 1
## 1077 NA NA
## 1078 9 4
## 1079 19 1
## 1080 9 2
## 1081 14 3
## 1082 9 1
## 1083 9 1
## 1084 9 2
## 1085 4 3
## 1086 12 1
## 1087 10 1
## 1088 9 1
## 1089 9 1
## 1090 14 1
## 1091 14 1
## 1092 8 1
## 1093 4 1
## 1094 9 1
## 1095 4 1
## 1096 9 3
## 1097 14 1
## 1098 9 1
## 1099 4 1
## 1100 9 1
## 1101 13 1
## 1102 2 3
## 1103 7 1
## 1104 7 4
## 1105 14 1
## 1106 12 1
## 1107 14 7
## 1108 14 1
## 1109 19 2
## 1110 10 2
## 1111 2 3
## 1112 14 1
## 1113 10 2
## 1114 10 1
## 1115 13 1
## 1116 4 3
## 1117 9 1
## 1118 14 1
## 1119 9 2
## 1120 4 7
## 1121 14 4
## 1122 2 3
## 1123 12 3
## 1124 2 3
## 1125 4 2
## 1126 4 2
## 1127 NA NA
## 1128 14 1
## 1129 14 1
## 1130 NA NA
## 1131 4 1
## 1132 1 1
## 1133 NA NA
## 1134 14 1
## 1135 4 7
## 1136 9 1
## 1137 19 1
## 1138 9 2
## 1139 19 3
## 1140 9 1
## 1141 4 3
## 1142 4 2
## 1143 4 2
## 1144 9 1
## 1145 1 8
## 1146 9 1
## 1147 NA NA
## 1148 9 1
## 1149 7 2
## 1150 4 3
## 1151 9 1
## 1152 11 2
## 1153 19 1
## 1154 9 1
## 1155 9 1
## 1156 4 1
## 1157 9 1
## 1158 8 1
## 1159 19 1
## 1160 8 4
## 1161 4 3
## 1162 14 2
## 1163 4 3
## 1164 6 1
## 1165 NA 1
## 1166 9 1
## 1167 2 3
## 1168 13 1
## 1169 14 1
## 1170 9 2
## 1171 NA 3
## 1172 13 2
## 1173 4 3
## 1174 14 2
## 1175 2 3
## 1176 9 1
## 1177 NA NA
## 1178 9 1
## 1179 9 1
## 1180 8 1
## 1181 8 1
## 1182 10 1
## 1183 2 3
## 1184 NA NA
## 1185 14 1
## 1186 4 2
## 1187 10 1
## 1188 NA NA
## 1189 9 4
## 1190 9 5
## 1191 16 2
## 1192 4 3
## 1193 14 2
## 1194 7 3
## 1195 9 1
## 1196 8 2
## 1197 8 3
## 1198 14 2
## 1199 7 3
## 1200 9 1
## 1201 9 1
## 1202 9 2
## 1203 9 1
## 1204 4 1
## 1205 19 2
## 1206 19 1
## 1207 14 1
## 1208 4 3
## 1209 9 1
## 1210 10 1
## 1211 9 1
## 1212 9 1
## 1213 9 4
## 1214 9 NA
## 1215 4 1
## 1216 4 3
## 1217 9 2
## 1218 4 3
## 1219 9 1
## 1220 9 1
## 1221 4 3
## 1222 19 1
## 1223 19 1
## 1224 9 2
## 1225 4 3
## 1226 9 8
## 1227 4 8
## 1228 13 1
## 1229 13 1
## 1230 11 2
## 1231 9 3
## 1232 9 1
## 1233 9 1
## 1234 19 1
## 1235 4 3
## 1236 9 1
## 1237 2 3
## 1238 14 2
## 1239 NA NA
## 1240 4 2
## 1241 7 3
## 1242 19 2
## 1243 2 3
## 1244 4 2
## 1245 19 1
## 1246 9 1
## 1247 14 2
## 1248 4 3
## 1249 9 7
## 1250 19 3
## 1251 9 1
## 1252 19 2
## 1253 10 3
## 1254 12 1
## 1255 14 1
## 1256 9 1
## 1257 7 1
## 1258 9 1
## 1259 9 1
## 1260 9 2
## 1261 4 2
## 1262 9 4
## 1263 19 5
## 1264 9 2
## 1265 NA NA
## 1266 9 1
## 1267 8 2
## 1268 4 7
## 1269 9 1
## 1270 9 1
## 1271 9 1
## 1272 9 8
## 1273 12 2
## 1274 12 2
## 1275 9 2
## 1276 4 3
## 1277 9 1
## 1278 4 3
## 1279 9 1
## 1280 10 7
## 1281 4 2
## 1282 10 2
## 1283 2 3
## 1284 11 4
## 1285 7 5
## 1286 12 1
## 1287 2 3
## 1288 19 2
## 1289 19 2
## 1290 14 8
## 1291 19 2
## 1292 4 3
## 1293 9 1
## 1294 NA NA
## 1295 19 1
## 1296 13 1
## 1297 19 1
## 1298 19 1
## 1299 9 1
## 1300 14 7
## 1301 4 3
## 1302 2 3
## 1303 10 8
## 1304 NA NA
## 1305 NA NA
## 1306 NA NA
## 1307 NA NA
## 1308 NA NA
## 1309 NA NA
## 1310 NA NA
## 1311 NA NA
## 1312 NA NA
## 1313 NA NA
## 1314 NA NA
## 1315 NA NA
## 1316 NA NA
## 1317 NA NA
## 1318 NA NA
## 1319 10 1
## 1320 8 1
## 1321 9 2
## 1322 4 3
## 1323 13 1
## 1324 9 1
## 1325 8 1
## 1326 4 4
## 1327 10 5
## 1328 9 1
## 1329 14 1
## 1330 7 7
## 1331 10 7
## 1332 10 3
## 1333 10 3
## 1334 10 3
## 1335 10 8
## 1336 4 3
## 1337 9 8
## 1338 9 8
## 1339 19 1
## 1340 19 2
## 1341 4 7
## 1342 4 2
## 1343 4 2
## 1344 10 2
## 1345 19 1
## 1346 14 1
## 1347 9 1
## 1348 9 1
## 1349 9 1
## 1350 9 1
## 1351 9 1
## 1352 9 1
## 1353 9 2
## 1354 4 3
## 1355 4 1
## 1356 16 2
## 1357 14 2
## 1358 12 1
## 1359 NA NA
## 1360 NA NA
## 1361 NA NA
## 1362 NA NA
## 1363 12 1
## 1364 9 1
## 1365 10 8
## 1366 14 1
## 1367 1 7
## 1368 5 1
## 1369 14 1
## 1370 4 2
## 1371 7 3
## 1372 6 NA
## 1373 19 1
## 1374 9 2
## 1375 4 7
## 1376 19 1
## 1377 9 1
## 1378 4 2
## 1379 19 3
## 1380 2 2
## 1381 19 3
## 1382 14 2
## 1383 2 2
## 1384 14 1
## 1385 2 3
## 1386 12 5
## 1387 9 2
## 1388 10 3
## 1389 NA NA
## 1390 19 1
## 1391 14 2
## 1392 4 3
## 1393 19 1
## 1394 8 2
## 1395 4 3
## 1396 4 1
## 1397 10 2
## 1398 2 3
## 1399 10 1
## 1400 9 1
## 1401 9 1
## 1402 9 1
## 1403 8 7
## 1404 8 7
## 1405 19 1
## 1406 19 1
## 1407 7 1
## 1408 7 1
## 1409 19 1
## 1410 4 2
## 1411 19 1
## 1412 4 1
## 1413 9 1
## 1414 NA NA
## 1415 9 1
## 1416 9 1
## 1417 4 1
## 1418 9 2
## 1419 4 3
## 1420 9 1
## 1421 4 1
## 1422 9 1
## 1423 14 2
## 1424 4 7
## 1425 10 3
## 1426 2 7
## 1427 9 1
## 1428 2 1
## 1429 12 1
## 1430 4 1
## 1431 9 1
## 1432 19 1
## 1433 9 1
## 1434 9 1
## 1435 9 1
## 1436 19 1
## 1437 9 1
## 1438 9 1
## 1439 9 2
## 1440 4 3
## 1441 10 4
## 1442 4 3
## 1443 9 1
## 1444 9 1
## 1445 4 3
## 1446 9 1
## 1447 9 2
## 1448 4 3
## 1449 8 1
## 1450 4 3
## 1451 9 1
## 1452 4 3
## 1453 10 8
## 1454 7 4
## 1455 1 3
## 1456 9 1
## 1457 4 2
## 1458 19 8
## 1459 7 2
## 1460 19 1
## 1461 9 1
## 1462 9 2
## 1463 14 4
## 1464 4 5
## 1465 12 2
## 1466 2 3
## 1467 9 2
## 1468 4 1
## 1469 9 4
## 1470 10 5
## 1471 13 1
## 1472 7 1
## 1473 13 1
## 1474 8 4
## 1475 9 5
## 1476 9 1
## 1477 9 1
## 1478 8 1
## 1479 14 1
## 1480 4 2
## 1481 9 1
## 1482 8 1
## 1483 8 2
## 1484 4 3
## 1485 9 1
## 1486 12 1
## 1487 5 1
## 1488 19 2
## 1489 4 3
## 1490 1 1
## 1491 2 3
## 1492 14 1
## 1493 1 3
## 1494 9 1# 2. Check for missing values
sum(is.na(mydata))## [1] 2099# Explore the structure of the dataset
str(mydata)## 'data.frame': 1494 obs. of 7 variables:
## $ Accident_severity: chr "S" "" "F" "" ...
## $ Day_of_week : int 5 NA 5 NA 3 NA 4 1 NA 3 ...
## $ Traffic_control : int 4 NA 6 NA 2 NA 8 4 NA 4 ...
## $ Collision_type : int 8 NA 2 NA 2 NA 9 6 NA 2 ...
## $ Light : int 3 NA 4 NA 3 NA 3 1 NA 2 ...
## $ Vehicle_type : int 10 12 14 10 8 4 2 8 NA 9 ...
## $ Vehicle_damage : int 2 1 2 2 2 1 1 1 NA 2 ...summary(mydata)## Accident_severity Day_of_week Traffic_control Collision_type
## Length:1494 Min. :1.000 Min. :1.000 Min. : 1.000
## Class :character 1st Qu.:2.000 1st Qu.:2.000 1st Qu.: 4.000
## Mode :character Median :4.000 Median :4.000 Median : 9.000
## Mean :3.897 Mean :3.587 Mean : 6.909
## 3rd Qu.:6.000 3rd Qu.:4.000 3rd Qu.: 9.000
## Max. :7.000 Max. :8.000 Max. :11.000
## NA's :464 NA's :465 NA's :464
## Light Vehicle_type Vehicle_damage
## Min. :1.000 Min. : 1.000 Min. :1.00
## 1st Qu.:1.000 1st Qu.: 7.250 1st Qu.:1.00
## Median :2.000 Median : 9.000 Median :1.00
## Mean :1.922 Mean : 9.469 Mean :2.27
## 3rd Qu.:3.000 3rd Qu.:12.000 3rd Qu.:3.00
## Max. :4.000 Max. :19.000 Max. :8.00
## NA's :464 NA's :120 NA's :122# Check for missing values
sum(is.na(mydata))## [1] 2099# Handle missing values if necessary
data_cleaned <- na.omit(mydata)any(is.na(data_cleaned))## [1] FALSEstr(data_cleaned)## 'data.frame': 1026 obs. of 7 variables:
## $ Accident_severity: chr "S" "F" "S" "F" ...
## $ Day_of_week : int 5 5 3 4 1 3 1 5 5 7 ...
## $ Traffic_control : int 4 6 2 8 4 4 4 2 4 2 ...
## $ Collision_type : int 8 2 2 9 6 2 9 9 9 7 ...
## $ Light : int 3 4 3 3 1 2 1 3 2 3 ...
## $ Vehicle_type : int 10 14 8 2 8 9 8 9 8 9 ...
## $ Vehicle_damage : int 2 2 2 1 1 2 1 1 1 2 ...
## - attr(*, "na.action")= 'omit' Named int [1:468] 2 4 6 9 11 16 17 20 25 37 ...
## ..- attr(*, "names")= chr [1:468] "2" "4" "6" "9" ...barplot(table(data_cleaned$Accident_severity),
main = "Accident Severity Counts", xlab = "Accident Severity")
# Bar plot of Collision_type by Day_of_week
barplot(table(mydata$Collision_type, mydata$Day_of_week),
main = "Collision Type by Day of Week",
xlab = "Collision Type",
ylab = "Count",
col = rainbow(nlevels(factor(mydata$Day_of_week))))
# Bar plot of Collision_type by Traffic_control
barplot(table(mydata$Collision_type, mydata$Traffic_control),
main = "Collision Type by Traffic Control",
xlab = "Collision Type",
ylab = "Count",
col = rainbow(nlevels(factor(mydata$Traffic_control))))
# Continue creating similar bar plots for other variablesboxplot(Vehicle_damage ~ Accident_severity, data = mydata, main = "Vehicle Damage by Accident Severity", xlab = "Accident Severity", ylab = "Vehicle Damage")
# Chi-Squared Test of Independence for each feature with Collision_type
summary <- list()
for (feature in names(data_cleaned)[-which(names(data_cleaned) == "Collision_type")]) {
test_result <- chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type)
summary[[feature]] <- test_result$p.value
}## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrect
## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrect
## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrect
## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrect
## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrect
## Warning in chisq.test(data_cleaned[[feature]], data_cleaned$Collision_type):
## Chi-squared approximation may be incorrectsummary <- unlist(summary)ata <- read.csv("newdataset.csv")
ata## Accident_severity Day_of_week Traffic_control Collision_type Light
## 1 S 5 4 8 3
## 2 F 5 6 2 4
## 3 S 3 2 2 3
## 4 F 4 8 9 3
## 5 G 1 4 6 1
## 6 F 3 4 2 2
## 7 F 1 4 9 1
## 8 F 5 2 9 3
## 9 F 5 4 9 2
## 10 G 7 2 7 3
## 11 F 5 4 9 1
## 12 F 1 4 2 3
## 13 F 6 4 9 3
## 14 F 4 4 9 1
## 15 F 2 4 9 3
## 16 F 4 4 2 3
## 17 F 4 4 9 1
## 18 F 6 4 9 1
## 19 F 4 1 9 2
## 20 F 2 4 9 3
## 21 F 2 4 9 1
## 22 F 6 4 9 3
## 23 F 4 4 9 1
## 24 F 1 4 9 3
## 25 F 3 1 9 4
## 26 F 2 3 9 1
## 27 F 2 4 2 2
## 28 F 4 4 9 1
## 29 F 6 4 9 1
## 30 M 7 1 1 1
## 31 F 1 8 9 1
## 32 F 7 8 9 1
## 33 G 3 4 9 1
## 34 G 1 6 11 1
## 35 G 1 4 9 3
## 36 F 6 4 4 1
## 37 F 7 1 2 3
## 38 F 5 4 11 3
## 39 F 5 1 11 1
## 40 F 4 4 2 1
## 41 F 3 1 9 1
## 42 F 4 4 9 1
## 43 F 6 4 2 3
## 44 G 1 4 9 1
## 45 F 4 4 1 1
## 46 F 3 1 9 3
## 47 F 6 5 9 2
## 48 F 1 5 1 1
## 49 F 4 5 9 3
## 50 F 4 6 2 3
## 51 F 6 1 9 1
## 52 F 1 4 2 1
## 53 F 6 4 1 2
## 54 F 4 4 9 1
## 55 F 6 2 9 2
## 56 F 6 4 9 1
## 57 G 3 4 9 1
## 58 F 3 4 9 3
## 59 G 5 4 2 1
## 60 F 6 4 9 2
## 61 S 6 4 11 2
## 62 M 4 2 4 1
## 63 F 2 1 9 3
## 64 F 1 4 4 1
## 65 F 7 5 9 1
## 66 G 1 1 9 1
## 67 F 3 1 9 3
## 68 S 5 1 1 1
## 69 F 2 2 7 1
## 70 F 7 4 9 1
## 71 F 7 4 1 1
## 72 G 2 2 9 3
## 73 F 3 2 9 1
## 74 F 7 2 9 3
## 75 F 1 4 2 3
## 76 F 4 8 9 3
## 77 F 5 4 9 1
## 78 F 6 3 9 3
## 79 F 3 8 4 1
## 80 F 3 1 2 3
## 81 F 4 4 9 3
## 82 S 2 4 7 2
## 83 G 1 4 9 2
## 84 G 7 1 2 1
## 85 M 1 4 7 2
## 86 G 1 4 2 1
## 87 M 4 1 6 2
## 88 M 7 1 2 1
## 89 F 7 8 2 3
## 90 G 6 4 2 1
## 91 F 2 8 9 3
## 92 F 7 4 9 1
## 93 F 4 8 9 1
## 94 G 5 1 9 3
## 95 F 1 1 9 1
## 96 F 1 1 9 3
## 97 F 5 1 9 3
## 98 F 7 4 9 1
## 99 F 7 2 9 3
## 100 F 4 2 9 1
## 101 G 7 2 9 1
## 102 F 2 2 9 1
## 103 F 6 2 9 1
## 104 F 4 4 9 2
## 105 F 4 8 9 1
## 106 G 2 4 2 3
## 107 F 1 8 9 1
## 108 F 4 8 9 1
## 109 G 5 4 2 1
## 110 G 4 4 2 3
## 111 F 1 4 2 2
## 112 F 5 4 9 1
## 113 M 5 8 1 1
## 114 G 3 8 8 1
## 115 S 1 1 9 1
## 116 S 6 1 9 3
## 117 S 1 4 9 2
## 118 F 7 8 9 3
## 119 F 3 6 9 1
## 120 F 3 4 9 1
## 121 F 7 1 2 1
## 122 F 4 1 9 2
## 123 G 7 1 4 1
## 124 F 6 1 9 4
## 125 G 4 1 9 1
## 126 G 3 1 9 1
## 127 F 6 4 1 1
## 128 G 3 1 9 1
## 129 F 6 8 9 3
## 130 F 3 4 9 3
## 131 F 6 4 9 3
## 132 F 6 3 9 3
## 133 F 4 1 7 3
## 134 G 2 4 9 4
## 135 F 3 1 9 4
## 136 F 2 8 9 4
## 137 G 4 4 9 1
## 138 F 7 8 9 3
## 139 F 1 6 1 3
## 140 F 4 6 9 1
## 141 F 7 6 9 3
## 142 F 4 6 2 3
## 143 F 5 6 9 1
## 144 G 2 8 9 1
## 145 F 3 8 9 1
## 146 F 4 6 4 1
## 147 F 1 4 9 3
## 148 G 6 8 2 1
## 149 F 2 4 1 2
## 150 G 1 4 9 1
## 151 F 7 4 9 1
## 152 G 3 8 9 1
## 153 F 2 4 9 3
## 154 F 2 3 9 2
## 155 M 1 8 11 3
## 156 S 1 3 9 3
## 157 F 5 4 9 2
## 158 F 7 8 9 1
## 159 S 4 4 11 3
## 160 G 7 1 9 1
## 161 F 5 1 9 3
## 162 G 2 4 9 1
## 163 G 2 4 9 1
## 164 S 3 4 9 3
## 165 M 3 1 2 2
## 166 G 5 1 1 1
## 167 F 5 1 9 3
## 168 F 3 1 9 1
## 169 F 5 1 8 3
## 170 F 1 4 2 1
## 171 G 2 1 9 2
## 172 G 1 4 9 1
## 173 F 5 4 9 1
## 174 F 6 4 9 1
## 175 F 5 4 9 1
## 176 G 7 4 9 1
## 177 F 4 1 9 1
## 178 G 3 1 2 2
## 179 G 6 4 2 1
## 180 F 1 4 9 1
## 181 F 7 4 9 1
## 182 F 2 1 6 1
## 183 F 7 4 9 1
## 184 F 2 4 9 1
## 185 F 2 4 2 1
## 186 S 4 4 2 1
## 187 S 2 4 7 1
## 188 G 6 1 4 1
## 189 G 5 8 2 2
## 190 F 6 8 9 1
## 191 F 5 4 9 1
## 192 F 1 1 2 3
## 193 F 4 4 2 2
## 194 F 6 8 9 1
## 195 G 4 1 9 4
## 196 F 6 1 9 4
## 197 G 2 4 9 3
## 198 F 2 3 9 1
## 199 F 6 4 2 1
## 200 F 7 1 2 2
## 201 F 7 4 9 2
## 202 F 5 4 9 1
## 203 G 3 4 2 1
## 204 F 3 8 6 2
## 205 F 5 4 4 1
## 206 F 5 4 8 3
## 207 F 1 1 9 2
## 208 F 3 6 9 1
## 209 F 7 4 9 2
## 210 F 3 4 5 1
## 211 G 3 4 9 1
## 212 F 2 4 9 4
## 213 G 7 1 9 2
## 214 S 3 8 9 3
## 215 F 2 4 9 3
## 216 F 2 4 9 1
## 217 F 1 3 9 1
## 218 F 7 5 6 3
## 219 F 3 4 9 1
## 220 F 5 8 9 1
## 221 G 4 4 4 1
## 222 F 7 4 9 2
## 223 S 5 1 2 1
## 224 F 3 1 2 3
## 225 G 4 6 9 3
## 226 F 4 1 9 3
## 227 F 3 2 9 3
## 228 F 1 4 2 3
## 229 G 5 2 9 1
## 230 F 1 2 9 1
## 231 F 5 2 9 3
## 232 F 3 8 9 1
## 233 F 2 2 9 4
## 234 F 2 2 9 1
## 235 G 5 1 9 4
## 236 F 1 1 5 4
## 237 F 6 1 5 1
## 238 F 4 4 9 2
## 239 M 1 4 2 1
## 240 G 5 4 1 1
## 241 F 3 1 9 3
## 242 F 2 4 9 3
## 243 F 1 4 9 2
## 244 F 6 4 9 3
## 245 F 6 8 9 1
## 246 G 4 8 8 4
## 247 F 3 8 9 2
## 248 F 5 4 9 2
## 249 G 1 1 9 1
## 250 F 4 1 9 1
## 251 F 3 4 9 1
## 252 G 1 4 2 3
## 253 F 2 8 9 1
## 254 F 6 4 9 1
## 255 F 5 4 4 1
## 256 F 1 1 9 1
## 257 F 6 4 9 1
## 258 F 1 3 9 3
## 259 F 5 4 8 3
## 260 F 4 4 4 3
## 261 F 5 3 9 1
## 262 F 3 4 2 3
## 263 F 2 4 9 1
## 264 G 5 4 8 2
## 265 F 2 4 9 2
## 266 S 6 4 4 1
## 267 G 5 4 9 3
## 268 F 1 4 9 3
## 269 F 7 4 9 1
## 270 F 4 4 9 3
## 271 G 5 4 9 1
## 272 G 1 4 9 1
## 273 G 3 4 9 1
## 274 F 5 4 9 3
## 275 F 2 2 9 3
## 276 F 7 1 9 2
## 277 F 2 4 9 3
## 278 F 7 2 4 1
## 279 F 4 2 9 1
## 280 F 5 1 9 3
## 281 F 1 1 9 1
## 282 F 3 1 9 1
## 283 F 4 4 2 3
## 284 F 1 8 9 3
## 285 F 6 1 1 2
## 286 F 4 4 4 3
## 287 F 6 4 9 3
## 288 F 7 4 9 3
## 289 G 3 4 9 2
## 290 G 6 4 9 1
## 291 G 1 4 9 1
## 292 F 1 4 9 3
## 293 F 5 1 9 1
## 294 F 7 4 9 1
## 295 M 2 4 6 1
## 296 F 4 1 2 3
## 297 F 6 1 9 3
## 298 G 4 4 9 1
## 299 F 7 4 9 1
## 300 F 5 4 9 3
## 301 G 1 4 2 3
## 302 F 1 4 2 2
## 303 F 7 1 9 4
## 304 F 6 4 2 3
## 305 F 6 4 9 1
## 306 F 3 2 4 1
## 307 F 1 4 9 1
## 308 F 5 1 4 2
## 309 F 2 1 9 1
## 310 F 4 1 2 1
## 311 G 3 2 9 1
## 312 G 7 1 9 1
## 313 S 2 4 2 1
## 314 M 1 8 2 3
## 315 F 1 4 4 1
## 316 F 7 4 9 1
## 317 F 2 4 9 3
## 318 F 6 4 2 2
## 319 F 3 4 2 3
## 320 F 3 2 2 1
## 321 F 7 1 9 3
## 322 G 4 1 9 3
## 323 F 5 2 9 1
## 324 F 4 2 9 1
## 325 F 5 4 2 1
## 326 F 5 4 9 3
## 327 F 2 4 9 1
## 328 F 3 4 9 2
## 329 F 1 4 2 1
## 330 F 6 4 9 1
## 331 F 6 4 9 1
## 332 F 6 4 9 3
## 333 F 5 4 9 1
## 334 F 5 4 9 3
## 335 F 3 1 9 3
## 336 F 1 1 1 3
## 337 F 7 6 9 1
## 338 G 3 1 4 1
## 339 G 4 1 9 3
## 340 F 2 1 9 1
## 341 F 2 1 2 4
## 342 G 6 4 9 3
## 343 F 4 1 9 3
## 344 G 3 1 9 1
## 345 G 3 1 9 1
## 346 G 2 2 9 1
## 347 F 1 4 9 3
## 348 G 4 1 9 1
## 349 F 5 4 9 1
## 350 F 2 4 2 3
## 351 G 6 4 4 3
## 352 G 3 1 9 2
## 353 F 2 4 5 1
## 354 F 1 4 1 1
## 355 G 1 4 9 1
## 356 M 2 1 6 3
## 357 F 2 1 9 3
## 358 G 4 4 4 2
## 359 F 6 2 9 1
## 360 F 6 4 9 3
## 361 F 4 1 4 2
## 362 F 4 1 1 1
## 363 M 4 2 7 1
## 364 M 6 1 7 1
## 365 G 7 4 9 3
## 366 G 7 2 9 3
## 367 G 2 2 9 1
## 368 F 7 2 9 1
## 369 F 1 1 9 1
## 370 F 4 1 9 1
## 371 F 4 4 9 1
## 372 F 7 1 9 3
## 373 G 4 1 9 3
## 374 F 7 4 4 2
## 375 M 3 4 2 3
## 376 G 3 4 2 3
## 377 G 2 4 2 3
## 378 M 2 4 6 3
## 379 G 7 4 9 1
## 380 G 7 4 11 3
## 381 F 3 4 9 4
## 382 F 4 4 2 2
## 383 F 4 6 9 3
## 384 G 7 4 9 1
## 385 F 1 1 4 1
## 386 M 1 1 4 2
## 387 F 5 1 2 1
## 388 F 6 1 9 1
## 389 F 6 4 9 3
## 390 F 5 4 9 1
## 391 G 1 1 9 1
## 392 F 3 8 9 1
## 393 F 6 4 9 3
## 394 F 2 4 9 3
## 395 F 3 4 9 3
## 396 F 6 8 1 1
## 397 F 3 4 1 2
## 398 F 1 4 1 2
## 399 F 1 1 6 1
## 400 F 3 1 2 1
## 401 F 3 1 9 1
## 402 F 2 4 9 2
## 403 F 5 4 9 3
## 404 F 6 1 9 3
## 405 G 3 5 2 3
## 406 F 7 5 9 1
## 407 F 7 4 2 3
## 408 F 7 4 9 1
## 409 F 4 4 9 3
## 410 G 3 4 9 2
## 411 G 3 4 9 1
## 412 G 7 1 2 1
## 413 G 1 4 9 1
## 414 F 1 1 4 1
## 415 G 6 1 11 1
## 416 F 2 1 9 3
## 417 F 6 4 9 3
## 418 G 3 4 1 3
## 419 F 6 1 9 2
## 420 S 2 6 11 3
## 421 F 6 1 11 1
## 422 F 1 2 9 1
## 423 F 2 8 4 2
## 424 F 1 3 9 3
## 425 F 6 8 9 3
## 426 F 3 3 9 1
## 427 G 4 2 9 3
## 428 F 2 4 9 2
## 429 F 2 8 9 2
## 430 F 7 4 4 3
## 431 F 1 2 2 2
## 432 F 3 4 4 1
## 433 F 7 2 9 1
## 434 F 7 4 9 1
## 435 G 5 8 9 2
## 436 G 5 1 11 2
## 437 F 5 1 9 1
## 438 F 4 1 9 1
## 439 G 2 1 9 1
## 440 M 4 8 8 3
## 441 F 7 3 9 1
## 442 F 2 4 2 2
## 443 F 3 4 9 2
## 444 F 3 3 9 3
## 445 F 5 4 9 1
## 446 F 4 4 9 2
## 447 M 4 8 2 3
## 448 F 5 5 9 3
## 449 F 1 8 4 3
## 450 F 4 6 9 3
## 451 G 5 4 8 2
## 452 G 5 4 9 2
## 453 F 1 4 2 1
## 454 F 1 4 9 3
## 455 F 1 1 9 2
## 456 G 6 1 9 1
## 457 F 7 4 1 1
## 458 S 3 4 9 3
## 459 F 3 3 9 3
## 460 F 6 4 9 1
## 461 F 7 4 9 3
## 462 G 5 4 9 1
## 463 G 6 8 9 2
## 464 G 1 1 2 1
## 465 F 7 4 9 2
## 466 F 4 1 9 1
## 467 G 2 1 9 3
## 468 F 7 4 2 3
## 469 S 4 4 2 1
## 470 M 5 4 2 1
## 471 F 2 4 9 3
## 472 F 5 4 2 1
## 473 F 7 8 2 4
## 474 F 7 8 9 1
## 475 G 5 4 2 1
## 476 F 5 4 2 2
## 477 F 3 4 9 3
## 478 G 4 8 9 1
## 479 F 2 1 9 2
## 480 M 1 1 2 1
## 481 F 7 8 4 4
## 482 F 3 4 9 3
## 483 F 4 4 9 1
## 484 F 2 8 2 3
## 485 F 2 1 9 2
## 486 F 5 1 9 3
## 487 G 1 1 2 1
## 488 F 5 1 9 1
## 489 G 4 4 9 1
## 490 F 5 4 9 3
## 491 F 4 4 9 1
## 492 F 1 1 4 3
## 493 F 1 4 9 3
## 494 F 1 4 9 1
## 495 F 1 4 2 3
## 496 F 1 1 9 2
## 497 F 4 8 9 1
## 498 F 5 1 9 1
## 499 F 5 1 9 1
## 500 F 4 4 9 2
## 501 F 6 4 9 1
## 502 F 2 1 1 3
## 503 F 1 8 9 1
## 504 F 5 4 11 2
## 505 G 4 4 9 3
## 506 F 6 4 9 3
## 507 G 7 4 9 1
## 508 F 2 4 9 3
## 509 F 4 4 2 3
## 510 M 1 1 2 1
## 511 G 2 4 9 2
## 512 F 5 1 2 3
## 513 F 7 1 9 1
## 514 F 1 4 2 3
## 515 S 2 1 9 1
## 516 G 4 1 2 3
## 517 F 4 4 9 3
## 518 F 3 4 11 2
## 519 F 4 4 9 4
## 520 F 3 4 9 3
## 521 F 1 1 9 3
## 522 F 6 4 9 2
## 523 F 4 1 4 3
## 524 F 1 1 9 2
## 525 F 7 1 9 2
## 526 F 7 1 9 4
## 527 F 2 2 2 1
## 528 F 7 1 1 2
## 529 F 6 4 9 1
## 530 F 2 1 9 2
## 531 F 7 1 9 2
## 532 F 2 4 9 2
## 533 F 6 4 2 2
## 534 G 6 4 8 1
## 535 F 4 4 9 2
## 536 F 3 6 2 1
## 537 F 3 1 8 1
## 538 F 7 4 9 2
## 539 G 3 4 9 2
## 540 F 2 4 2 1
## 541 G 2 4 9 1
## 542 F 6 4 9 3
## 543 F 7 4 9 1
## 544 F 3 4 9 3
## 545 F 4 1 9 3
## 546 G 1 1 9 3
## 547 F 2 4 9 1
## 548 F 3 4 9 3
## 549 F 1 2 9 3
## 550 G 3 8 2 3
## 551 F 3 1 8 1
## 552 F 5 4 2 3
## 553 F 1 8 6 4
## 554 F 4 4 9 1
## 555 F 5 4 2 3
## 556 F 6 1 9 1
## 557 F 1 4 9 3
## 558 F 6 4 9 4
## 559 G 7 4 9 1
## 560 G 2 4 9 4
## 561 F 6 4 9 3
## 562 F 1 4 2 1
## 563 F 4 1 9 3
## 564 F 3 4 1 3
## 565 F 4 4 9 1
## 566 F 7 4 9 3
## 567 G 7 4 9 3
## 568 F 2 4 9 1
## 569 F 5 4 9 3
## 570 S 2 NA 9 1
## 571 G 4 1 9 3
## 572 F 1 1 9 1
## 573 F 3 1 2 3
## 574 F 2 4 1 2
## 575 G 4 8 9 1
## 576 F 3 8 8 2
## 577 F 6 8 2 1
## 578 G 5 4 11 2
## 579 F 2 4 7 1
## 580 F 6 2 9 3
## 581 S 5 4 2 3
## 582 F 5 4 9 1
## 583 F 7 3 9 3
## 584 F 6 4 9 2
## 585 F 5 4 9 1
## 586 F 7 4 9 3
## 587 G 3 4 9 3
## 588 G 1 1 9 3
## 589 F 7 4 9 3
## 590 F 4 1 9 3
## 591 S 2 1 8 2
## 592 F 5 1 4 1
## 593 F 3 8 9 3
## 594 F 5 1 9 1
## 595 G 5 2 4 3
## 596 S 5 2 4 1
## 597 G 6 4 9 3
## 598 F 2 4 7 1
## 599 F 3 4 4 1
## 600 S 5 4 4 2
## 601 F 6 1 2 3
## 602 F 3 4 9 3
## 603 F 1 4 9 1
## 604 F 2 4 9 2
## 605 F 6 4 9 1
## 606 F 6 4 9 3
## 607 G 1 1 9 1
## 608 F 5 2 4 3
## 609 F 1 1 3 1
## 610 G 3 4 9 1
## 611 G 7 4 9 1
## 612 F 6 4 9 2
## 613 G 1 4 9 1
## 614 F 5 4 9 1
## 615 F 7 4 9 3
## 616 F 5 4 9 2
## 617 F 4 4 2 1
## 618 G 7 4 9 1
## 619 G 5 4 9 1
## 620 G 4 4 9 1
## 621 F 7 4 2 1
## 622 F 3 4 7 3
## 623 F 1 4 9 1
## 624 G 2 4 9 1
## 625 F 7 4 9 1
## 626 F 5 4 1 1
## 627 F 5 4 2 3
## 628 F 2 4 9 2
## 629 F 6 1 7 3
## 630 F 2 4 9 1
## 631 S 4 4 2 1
## 632 F 7 4 9 1
## 633 G 3 1 9 1
## 634 F 2 1 9 1
## 635 G 1 1 8 2
## 636 F 2 1 1 1
## 637 F 1 4 9 3
## 638 F 5 2 9 1
## 639 F 1 4 9 1
## 640 F 2 4 9 1
## 641 F 3 1 4 1
## 642 G 6 4 4 1
## 643 F 3 4 9 3
## 644 G 7 4 2 1
## 645 F 3 1 5 4
## 646 G 6 4 2 3
## 647 G 1 4 9 1
## 648 F 3 4 1 3
## 649 G 1 1 8 2
## 650 F 4 4 9 3
## 651 F 3 4 9 3
## 652 F 4 2 9 2
## 653 F 7 4 4 1
## 654 G 7 4 9 2
## 655 F 2 4 2 1
## 656 F 6 2 9 1
## 657 F 1 4 1 2
## 658 F 5 1 9 1
## 659 F 7 4 9 1
## 660 F 3 8 9 1
## 661 F 3 7 9 1
## 662 F 1 4 9 3
## 663 M 7 4 7 3
## 664 M 4 4 4 1
## 665 G 5 4 11 3
## 666 F 4 1 9 1
## 667 F 2 8 2 3
## 668 F 5 4 2 1
## 669 G 6 4 9 1
## 670 M 2 4 2 1
## 671 F 6 4 9 1
## 672 G 3 4 2 3
## 673 F 5 4 2 4
## 674 F 4 1 9 1
## 675 F 4 1 9 3
## 676 F 2 1 1 1
## 677 G 4 2 9 1
## 678 F 3 3 9 2
## 679 G 4 4 2 1
## 680 G 6 2 2 2
## 681 F 7 1 9 3
## 682 G 3 4 9 1
## 683 F 3 4 9 1
## 684 F 1 8 9 1
## 685 F 2 4 2 1
## 686 S 2 4 8 3
## 687 F 2 1 1 2
## 688 F 4 2 9 1
## 689 F 5 1 9 3
## 690 S 2 4 2 1
## 691 S 1 4 8 2
## 692 F 2 4 8 1
## 693 G 1 4 9 3
## 694 F 1 6 2 3
## 695 G 2 8 2 3
## 696 S 7 4 2 2
## 697 F 3 1 9 1
## 698 G 1 1 9 1
## 699 F 2 4 4 1
## 700 F 3 8 1 2
## 701 F 7 4 2 2
## 702 F 3 1 9 3
## 703 F 6 4 9 3
## 704 F 7 2 4 3
## 705 F 3 4 9 2
## 706 F 3 4 9 1
## 707 F 3 4 9 1
## 708 F 4 4 2 1
## 709 G 6 4 2 2
## 710 F 6 8 4 3
## 711 G 4 4 9 1
## 712 M 2 4 7 2
## 713 M 3 4 7 4
## 714 G 2 5 9 1
## 715 F 5 1 1 1
## 716 F 5 1 2 1
## 717 F 4 1 9 1
## 718 F 4 2 1 1
## 719 F 5 1 9 1
## 720 G 1 1 4 3
## 721 F 4 1 9 1
## 722 G 5 4 2 2
## 723 F 5 4 9 1
## 724 S 6 4 9 1
## 725 F 3 4 2 1
## 726 F 1 4 2 3
## 727 F 5 4 2 3
## 728 F 7 8 9 4
## 729 G 7 4 2 1
## 730 F 4 1 9 1
## 731 F 4 4 9 3
## 732 M 6 4 1 3
## 733 G 6 4 9 2
## 734 F 4 4 9 3
## 735 G 3 4 9 1
## 736 F 3 4 9 3
## 737 G 5 4 11 1
## 738 F 2 4 2 3
## 739 G 2 4 9 1
## 740 G 1 4 2 1
## 741 F 4 4 9 2
## 742 F 4 4 8 1
## 743 F 1 1 4 1
## 744 G 3 4 9 3
## 745 F 4 2 9 1
## 746 F 2 2 9 3
## 747 F 4 1 9 2
## 748 F 7 8 2 1
## 749 F 6 4 9 4
## 750 G 1 4 9 3
## 751 F 7 4 9 2
## 752 F 5 4 9 1
## 753 F 6 4 9 4
## 754 F 5 4 9 3
## 755 F 7 1 9 2
## 756 F 1 8 8 2
## 757 F 5 5 9 3
## 758 F 1 1 9 3
## 759 F 5 4 2 3
## 760 F 3 4 9 3
## 761 S 1 1 9 1
## 762 F 4 4 4 2
## 763 G 7 2 9 3
## 764 F 2 4 9 3
## 765 F 1 1 9 1
## 766 G 4 4 9 1
## 767 G 3 4 9 1
## 768 F 7 1 4 1
## 769 F 2 1 9 2
## 770 F 2 4 9 1
## 771 F 7 4 9 3
## 772 F 6 1 9 1
## 773 F 2 4 1 2
## 774 G 7 4 2 1
## 775 G 6 4 9 3
## 776 F 3 4 9 2
## 777 F 1 2 9 2
## 778 F 1 3 1 3
## 779 G 7 4 2 3
## 780 G 4 4 9 3
## 781 F 5 4 9 1
## 782 G 1 1 4 1
## 783 G 5 4 9 3
## 784 F 5 4 9 4
## 785 F 5 4 2 1
## 786 G 7 4 4 1
## 787 F 3 4 2 3
## 788 G 4 8 2 1
## 789 F 4 8 9 3
## 790 G 3 4 9 1
## 791 G 5 4 9 1
## 792 F 7 4 9 2
## 793 F 3 8 1 3
## 794 F 6 4 9 1
## 795 F 7 1 9 3
## 796 F 4 2 2 3
## 797 F 1 4 2 2
## 798 G 5 4 1 1
## 799 G 3 8 2 1
## 800 F 3 4 9 1
## 801 F 5 4 9 3
## 802 G 1 4 4 1
## 803 F 4 4 9 1
## 804 F 5 3 9 2
## 805 F 7 4 9 2
## 806 G 6 4 9 1
## 807 F 7 4 9 1
## 808 F 5 4 9 3
## 809 F 6 4 9 1
## 810 F 3 4 9 1
## 811 G 6 4 9 3
## 812 F 3 8 4 1
## 813 F 4 8 2 3
## 814 F 3 4 9 1
## 815 F 1 4 9 2
## 816 G 5 4 2 1
## 817 G 5 1 9 3
## 818 F 6 4 11 3
## 819 F 2 4 2 1
## 820 G 2 4 2 3
## 821 F 3 4 2 3
## 822 F 3 4 9 1
## 823 F 4 4 9 1
## 824 F 2 4 11 1
## 825 F 1 4 4 2
## 826 G 5 4 2 4
## 827 F 2 4 9 1
## 828 G 7 4 9 1
## 829 F 1 1 9 1
## 830 F 2 4 4 1
## 831 F 3 8 2 1
## 832 G 3 4 2 1
## 833 G 6 4 9 3
## 834 F 1 1 4 1
## 835 G 3 4 2 1
## 836 F 4 4 9 3
## 837 F 2 4 9 3
## 838 F 4 4 9 3
## 839 F 7 2 9 2
## 840 F 1 4 9 4
## 841 F 5 4 9 1
## 842 F 2 2 9 1
## 843 F 5 4 2 1
## 844 F 7 4 9 2
## 845 F 1 4 9 2
## 846 F 5 4 9 4
## 847 F 6 4 11 2
## 848 F 2 4 4 1
## 849 F 7 5 2 3
## 850 F 7 4 2 1
## 851 G 6 6 11 3
## 852 F 2 4 4 4
## 853 G 4 4 9 2
## 854 F 5 1 9 4
## 855 F 3 4 2 3
## 856 G 1 4 2 3
## 857 F 1 4 9 3
## 858 G 4 4 9 1
## 859 M 4 2 8 1
## 860 G 2 2 9 1
## 861 F 2 2 9 3
## 862 F 2 4 2 3
## 863 F 4 1 2 3
## 864 G 3 4 9 3
## 865 G 1 4 2 3
## 866 G 7 2 2 1
## 867 F 5 4 9 1
## 868 F 4 4 9 1
## 869 G 4 4 9 3
## 870 S 2 4 2 1
## 871 F 3 8 1 1
## 872 G 4 4 9 1
## 873 S 3 4 8 3
## 874 F 3 1 9 1
## 875 F 5 4 9 1
## 876 S 3 8 9 1
## 877 S 3 8 9 1
## 878 G 1 4 9 1
## 879 S 6 4 9 1
## 880 F 5 4 2 2
## 881 F 5 1 4 3
## 882 F 4 4 9 4
## 883 F 7 1 9 1
## 884 F 2 8 2 1
## 885 F 1 4 9 4
## 886 F 4 4 9 1
## 887 F 2 4 9 1
## 888 F 7 1 9 2
## 889 F 1 1 1 2
## 890 F 5 8 2 1
## 891 F 5 4 2 1
## 892 G 5 8 11 3
## 893 G 1 4 9 1
## 894 G 1 3 9 1
## 895 G 3 4 8 1
## 896 S 1 6 4 3
## 897 F 7 2 2 1
## 898 F 4 1 1 1
## 899 F 1 1 9 1
## 900 F 6 4 2 3
## 901 F 2 4 9 3
## 902 S 6 4 9 3
## 903 G 3 4 9 1
## 904 F 3 2 9 3
## 905 F 4 2 9 1
## 906 F 1 4 9 3
## 907 F 5 8 4 1
## 908 G 7 4 9 1
## 909 G 6 8 9 1
## 910 F 7 4 9 1
## 911 F 7 4 2 1
## 912 F 5 7 11 2
## 913 F 1 4 2 1
## 914 G 1 4 4 1
## 915 G 1 4 9 3
## 916 F 2 1 9 1
## 917 F 2 8 7 1
## 918 M 5 8 8 1
## 919 G 6 1 4 1
## 920 F 3 4 4 3
## 921 F 3 4 9 3
## 922 F 6 2 2 3
## 923 F 3 4 1 1
## 924 M 2 8 7 3
## 925 F 3 6 9 1
## 926 F 1 6 9 1
## 927 F 7 3 9 1
## 928 F 2 1 9 1
## 929 F 3 2 11 2
## 930 F 6 1 9 3
## 931 F 3 1 9 2
## 932 F 5 4 9 1
## 933 F 1 1 1 1
## 934 F 7 4 9 3
## 935 F 5 4 11 1
## 936 F 6 4 9 3
## 937 G 1 1 9 1
## 938 F 4 1 9 1
## 939 F 3 4 9 1
## 940 F 4 4 2 1
## 941 F 2 5 9 1
## 942 G 2 4 1 1
## 943 G 2 6 4 2
## 944 F 6 4 9 1
## 945 F 5 1 4 1
## 946 F 5 4 9 2
## 947 F 7 4 9 1
## 948 F 6 4 2 4
## 949 F 3 1 4 1
## 950 F 1 1 2 2
## 951 F 2 2 2 3
## 952 F 6 4 9 3
## 953 F 7 2 8 3
## 954 G 7 6 9 4
## 955 G 4 8 2 1
## 956 F 2 8 9 3
## 957 F 4 6 2 1
## 958 G 4 1 9 1
## 959 G 4 4 2 3
## 960 F 4 3 9 3
## 961 F 2 4 9 1
## 962 F 5 3 9 1
## 963 F 6 2 9 1
## 964 F 2 1 9 1
## 965 F 4 1 9 3
## 966 G 4 4 9 1
## 967 F 4 2 9 3
## 968 F 3 4 9 1
## 969 F 2 4 9 3
## 970 F 2 4 9 3
## 971 F 7 4 9 1
## 972 G 5 4 9 3
## 973 F 3 3 9 1
## 974 G 7 4 9 3
## 975 G 7 4 9 1
## 976 F 5 4 2 1
## 977 F 4 4 2 1
## 978 F 1 4 9 2
## 979 F 5 2 11 3
## 980 F 2 2 9 1
## 981 F 3 4 2 3
## 982 F 2 4 4 3
## 983 S 5 8 2 1
## 984 F 6 4 9 1
## 985 G 6 4 9 1
## 986 F 2 4 9 1
## 987 F 5 4 9 3
## 988 F 5 4 9 2
## 989 F 3 1 9 4
## 990 F 2 4 9 1
## 991 F 5 1 9 3
## 992 G 5 2 3 1
## 993 F 5 4 9 1
## 994 F 4 4 2 1
## 995 F 6 1 2 1
## 996 F 1 4 9 2
## 997 F 2 4 2 1
## 998 F 2 8 9 3
## 999 F 7 4 2 3
## 1000 S 4 8 2 2
## 1001 G 5 1 2 2
## 1002 S 7 4 9 3
## 1003 F 5 8 2 1
## 1004 F 7 2 9 4
## 1005 F 6 2 2 3
## 1006 G 2 1 9 1
## 1007 G 1 4 9 2
## 1008 G 5 4 9 1
## 1009 F 2 4 9 3
## 1010 F 1 1 4 3
## 1011 S 4 2 2 4
## 1012 G 6 4 2 3
## 1013 F 4 4 4 2
## 1014 F 4 8 11 2
## 1015 G 2 8 9 1
## 1016 F 6 4 9 3
## 1017 M 2 4 4 1
## 1018 F 7 4 9 1
## 1019 F 2 1 4 1
## 1020 G 2 4 1 1
## 1021 F 7 4 9 3
## 1022 F 4 4 9 3
## 1023 G 2 4 2 1
## 1024 G 3 4 11 4
## 1025 F 1 8 9 2
## 1026 F 5 1 9 4
## 1027 G 7 4 2 1
## 1028 F 2 2 2 2
## 1029 F 7 2 2 3
## 1030 F 3 4 9 3
## Vehicle_type Vehicle_damage
## 1 10 2
## 2 14 2
## 3 8 2
## 4 2 1
## 5 8 1
## 6 9 2
## 7 8 1
## 8 9 1
## 9 8 1
## 10 9 2
## 11 9 1
## 12 9 2
## 13 9 1
## 14 9 2
## 15 9 1
## 16 8 2
## 17 9 1
## 18 9 1
## 19 8 1
## 20 14 1
## 21 9 1
## 22 9 1
## 23 9 1
## 24 9 2
## 25 14 1
## 26 4 1
## 27 9 2
## 28 9 1
## 29 9 1
## 30 9 2
## 31 9 1
## 32 19 1
## 33 8 1
## 34 12 1
## 35 14 1
## 36 9 4
## 37 13 1
## 38 9 1
## 39 9 1
## 40 9 2
## 41 4 1
## 42 9 1
## 43 9 2
## 44 9 8
## 45 9 1
## 46 9 1
## 47 10 1
## 48 19 5
## 49 14 1
## 50 9 1
## 51 10 1
## 52 8 8
## 53 8 2
## 54 9 2
## 55 12 1
## 56 9 1
## 57 9 1
## 58 8 1
## 59 8 1
## 60 9 1
## 61 9 1
## 62 19 1
## 63 14 1
## 64 9 4
## 65 10 1
## 66 8 1
## 67 9 1
## 68 9 1
## 69 9 1
## 70 9 1
## 71 9 1
## 72 19 7
## 73 9 1
## 74 9 1
## 75 14 2
## 76 9 2
## 77 14 1
## 78 14 8
## 79 8 2
## 80 9 7
## 81 7 2
## 82 9 4
## 83 10 1
## 84 8 1
## 85 13 2
## 86 10 2
## 87 14 1
## 88 8 2
## 89 9 2
## 90 12 2
## 91 9 1
## 92 8 1
## 93 10 1
## 94 8 1
## 95 8 1
## 96 8 1
## 97 14 1
## 98 14 1
## 99 9 1
## 100 13 1
## 101 9 1
## 102 9 1
## 103 9 1
## 104 9 2
## 105 9 1
## 106 14 2
## 107 9 1
## 108 9 1
## 109 7 2
## 110 14 1
## 111 14 1
## 112 9 1
## 113 8 1
## 114 9 2
## 115 9 1
## 116 9 1
## 117 19 1
## 118 10 1
## 119 14 1
## 120 9 1
## 121 8 2
## 122 14 1
## 123 10 4
## 124 14 1
## 125 12 8
## 126 19 8
## 127 9 2
## 128 19 8
## 129 9 1
## 130 9 1
## 131 9 2
## 132 9 1
## 133 12 2
## 134 4 1
## 135 9 1
## 136 9 1
## 137 10 2
## 138 9 1
## 139 10 8
## 140 9 1
## 141 9 1
## 142 9 2
## 143 9 1
## 144 9 1
## 145 19 1
## 146 9 4
## 147 9 1
## 148 9 2
## 149 14 4
## 150 7 1
## 151 19 8
## 152 9 8
## 153 9 1
## 154 7 8
## 155 9 2
## 156 7 3
## 157 9 1
## 158 10 2
## 159 3 1
## 160 8 1
## 161 14 1
## 162 14 1
## 163 5 2
## 164 10 1
## 165 11 5
## 166 9 2
## 167 4 2
## 168 9 8
## 169 12 1
## 170 6 2
## 171 10 1
## 172 10 3
## 173 12 1
## 174 9 1
## 175 14 1
## 176 11 1
## 177 14 1
## 178 9 2
## 179 9 1
## 180 9 1
## 181 9 1
## 182 9 2
## 183 9 1
## 184 9 1
## 185 8 1
## 186 10 2
## 187 19 2
## 188 8 1
## 189 9 1
## 190 19 1
## 191 9 1
## 192 9 1
## 193 8 2
## 194 19 7
## 195 10 1
## 196 8 1
## 197 9 1
## 198 11 1
## 199 12 2
## 200 9 1
## 201 8 1
## 202 9 1
## 203 9 1
## 204 12 2
## 205 9 2
## 206 9 3
## 207 9 2
## 208 9 1
## 209 9 1
## 210 8 1
## 211 9 1
## 212 9 1
## 213 9 1
## 214 9 1
## 215 9 1
## 216 13 1
## 217 9 1
## 218 9 2
## 219 5 1
## 220 4 1
## 221 9 1
## 222 9 1
## 223 8 2
## 224 9 2
## 225 12 1
## 226 14 1
## 227 6 1
## 228 9 1
## 229 9 1
## 230 9 1
## 231 12 1
## 232 9 1
## 233 9 1
## 234 9 1
## 235 10 1
## 236 9 7
## 237 9 8
## 238 9 1
## 239 9 2
## 240 19 1
## 241 9 1
## 242 13 1
## 243 8 1
## 244 8 1
## 245 9 1
## 246 14 2
## 247 14 1
## 248 9 1
## 249 19 1
## 250 9 1
## 251 14 1
## 252 10 2
## 253 14 1
## 254 9 1
## 255 12 4
## 256 14 1
## 257 9 1
## 258 4 2
## 259 14 2
## 260 9 2
## 261 9 1
## 262 8 2
## 263 8 1
## 264 8 1
## 265 14 1
## 266 8 5
## 267 19 1
## 268 7 1
## 269 4 1
## 270 14 8
## 271 4 1
## 272 4 2
## 273 9 1
## 274 9 1
## 275 8 1
## 276 9 1
## 277 19 1
## 278 9 2
## 279 9 6
## 280 14 1
## 281 8 1
## 282 8 1
## 283 13 2
## 284 8 1
## 285 9 2
## 286 14 7
## 287 9 1
## 288 9 1
## 289 8 1
## 290 9 2
## 291 6 1
## 292 9 1
## 293 8 1
## 294 9 1
## 295 8 1
## 296 9 1
## 297 9 1
## 298 6 1
## 299 19 1
## 300 13 1
## 301 9 1
## 302 9 1
## 303 9 1
## 304 13 2
## 305 9 1
## 306 9 4
## 307 9 1
## 308 9 1
## 309 9 1
## 310 9 2
## 311 19 1
## 312 13 1
## 313 7 4
## 314 14 1
## 315 4 3
## 316 9 1
## 317 9 1
## 318 9 4
## 319 8 2
## 320 NA 2
## 321 9 1
## 322 14 1
## 323 8 1
## 324 4 1
## 325 9 2
## 326 9 1
## 327 4 1
## 328 19 1
## 329 19 2
## 330 9 1
## 331 9 1
## 332 1 1
## 333 9 1
## 334 7 1
## 335 9 1
## 336 19 8
## 337 8 1
## 338 9 2
## 339 4 1
## 340 9 1
## 341 14 1
## 342 19 3
## 343 7 1
## 344 4 1
## 345 9 7
## 346 4 1
## 347 9 1
## 348 9 1
## 349 9 1
## 350 14 2
## 351 4 2
## 352 9 1
## 353 9 1
## 354 9 2
## 355 9 1
## 356 12 1
## 357 7 1
## 358 14 2
## 359 13 1
## 360 8 1
## 361 10 1
## 362 13 1
## 363 9 1
## 364 8 1
## 365 10 1
## 366 10 1
## 367 9 1
## 368 10 1
## 369 7 1
## 370 8 1
## 371 8 1
## 372 7 1
## 373 10 1
## 374 9 2
## 375 14 3
## 376 10 2
## 377 10 3
## 378 9 2
## 379 19 1
## 380 10 1
## 381 9 1
## 382 2 3
## 383 14 1
## 384 13 1
## 385 9 2
## 386 9 4
## 387 14 1
## 388 9 1
## 389 19 1
## 390 8 1
## 391 19 1
## 392 9 1
## 393 9 1
## 394 9 1
## 395 9 1
## 396 9 1
## 397 14 2
## 398 12 1
## 399 8 2
## 400 10 2
## 401 9 1
## 402 9 1
## 403 9 1
## 404 10 1
## 405 9 2
## 406 9 1
## 407 9 2
## 408 9 2
## 409 14 1
## 410 7 1
## 411 12 1
## 412 9 2
## 413 9 2
## 414 9 1
## 415 9 1
## 416 19 8
## 417 7 1
## 418 14 2
## 419 9 1
## 420 8 1
## 421 8 8
## 422 6 1
## 423 10 4
## 424 14 1
## 425 8 1
## 426 4 2
## 427 9 1
## 428 14 1
## 429 9 1
## 430 4 3
## 431 5 3
## 432 9 1
## 433 8 1
## 434 9 2
## 435 19 1
## 436 13 1
## 437 9 1
## 438 9 1
## 439 8 1
## 440 14 2
## 441 8 1
## 442 19 1
## 443 14 1
## 444 19 1
## 445 9 1
## 446 9 1
## 447 9 1
## 448 9 1
## 449 19 4
## 450 14 1
## 451 9 1
## 452 8 1
## 453 9 1
## 454 7 1
## 455 9 1
## 456 9 1
## 457 9 2
## 458 9 1
## 459 9 1
## 460 9 1
## 461 9 1
## 462 8 1
## 463 15 1
## 464 10 1
## 465 9 1
## 466 8 8
## 467 9 1
## 468 1 2
## 469 10 1
## 470 4 2
## 471 19 1
## 472 7 8
## 473 9 1
## 474 9 1
## 475 9 1
## 476 10 2
## 477 12 1
## 478 9 1
## 479 9 1
## 480 6 2
## 481 9 1
## 482 4 2
## 483 10 2
## 484 4 1
## 485 9 1
## 486 8 1
## 487 19 2
## 488 4 1
## 489 9 1
## 490 6 1
## 491 9 2
## 492 8 1
## 493 9 1
## 494 9 2
## 495 12 1
## 496 19 1
## 497 19 1
## 498 10 1
## 499 4 1
## 500 4 1
## 501 19 1
## 502 10 2
## 503 19 1
## 504 9 1
## 505 19 1
## 506 13 1
## 507 9 1
## 508 19 1
## 509 10 2
## 510 9 2
## 511 9 8
## 512 4 3
## 513 5 1
## 514 9 2
## 515 4 1
## 516 10 2
## 517 4 1
## 518 9 1
## 519 14 8
## 520 8 1
## 521 8 1
## 522 8 1
## 523 8 4
## 524 14 1
## 525 14 1
## 526 19 1
## 527 12 2
## 528 19 8
## 529 19 2
## 530 9 1
## 531 19 1
## 532 19 2
## 533 14 2
## 534 10 3
## 535 9 1
## 536 8 1
## 537 14 2
## 538 7 1
## 539 4 1
## 540 14 1
## 541 8 1
## 542 12 1
## 543 9 1
## 544 14 2
## 545 10 1
## 546 9 1
## 547 9 1
## 548 12 1
## 549 13 1
## 550 14 1
## 551 4 3
## 552 9 1
## 553 19 2
## 554 9 1
## 555 14 1
## 556 8 1
## 557 7 1
## 558 9 3
## 559 4 2
## 560 14 1
## 561 19 1
## 562 4 7
## 563 8 1
## 564 9 2
## 565 9 1
## 566 19 1
## 567 14 1
## 568 9 2
## 569 19 1
## 570 7 2
## 571 8 1
## 572 8 2
## 573 8 2
## 574 9 8
## 575 9 1
## 576 9 2
## 577 9 1
## 578 7 1
## 579 9 1
## 580 5 1
## 581 10 2
## 582 14 2
## 583 4 8
## 584 9 1
## 585 19 1
## 586 14 1
## 587 14 1
## 588 14 1
## 589 14 1
## 590 9 1
## 591 10 2
## 592 9 1
## 593 19 1
## 594 11 1
## 595 10 7
## 596 10 7
## 597 9 7
## 598 9 1
## 599 9 4
## 600 9 1
## 601 14 1
## 602 9 2
## 603 12 1
## 604 9 1
## 605 19 1
## 606 8 1
## 607 12 2
## 608 14 1
## 609 4 8
## 610 9 1
## 611 10 1
## 612 13 2
## 613 9 1
## 614 19 1
## 615 19 1
## 616 10 1
## 617 12 1
## 618 9 1
## 619 13 1
## 620 19 1
## 621 9 2
## 622 14 2
## 623 12 1
## 624 10 1
## 625 19 1
## 626 19 7
## 627 5 2
## 628 13 1
## 629 9 8
## 630 4 1
## 631 8 1
## 632 19 1
## 633 9 1
## 634 9 8
## 635 8 1
## 636 9 1
## 637 14 1
## 638 10 1
## 639 9 1
## 640 9 1
## 641 12 2
## 642 4 2
## 643 14 1
## 644 7 2
## 645 12 2
## 646 10 1
## 647 4 8
## 648 14 1
## 649 8 8
## 650 9 1
## 651 9 1
## 652 7 1
## 653 8 1
## 654 10 1
## 655 12 1
## 656 9 7
## 657 12 2
## 658 14 2
## 659 10 1
## 660 8 1
## 661 7 1
## 662 9 1
## 663 14 5
## 664 19 5
## 665 4 4
## 666 9 1
## 667 14 1
## 668 10 1
## 669 4 1
## 670 9 2
## 671 9 1
## 672 4 2
## 673 12 3
## 674 9 1
## 675 14 1
## 676 14 2
## 677 4 1
## 678 9 1
## 679 9 2
## 680 19 2
## 681 8 1
## 682 9 1
## 683 9 1
## 684 14 1
## 685 9 2
## 686 9 2
## 687 9 2
## 688 9 7
## 689 NA 7
## 690 10 2
## 691 9 1
## 692 9 1
## 693 9 1
## 694 14 1
## 695 9 1
## 696 11 7
## 697 12 1
## 698 9 1
## 699 9 1
## 700 9 2
## 701 13 2
## 702 13 8
## 703 9 1
## 704 8 1
## 705 19 1
## 706 19 1
## 707 9 1
## 708 14 1
## 709 9 1
## 710 13 2
## 711 9 1
## 712 12 2
## 713 12 2
## 714 9 1
## 715 19 1
## 716 4 1
## 717 9 1
## 718 9 1
## 719 12 1
## 720 9 8
## 721 19 1
## 722 10 1
## 723 7 1
## 724 4 1
## 725 13 2
## 726 12 2
## 727 9 1
## 728 9 1
## 729 9 1
## 730 9 1
## 731 14 1
## 732 8 2
## 733 9 1
## 734 9 1
## 735 7 1
## 736 19 1
## 737 8 1
## 738 15 8
## 739 9 1
## 740 19 1
## 741 19 1
## 742 9 1
## 743 9 1
## 744 9 1
## 745 9 7
## 746 9 7
## 747 4 1
## 748 4 2
## 749 9 1
## 750 19 1
## 751 12 1
## 752 8 1
## 753 9 1
## 754 9 4
## 755 19 1
## 756 9 2
## 757 9 1
## 758 9 1
## 759 9 2
## 760 12 1
## 761 10 1
## 762 9 1
## 763 14 1
## 764 14 1
## 765 8 1
## 766 4 1
## 767 9 1
## 768 4 1
## 769 14 1
## 770 9 1
## 771 4 1
## 772 9 1
## 773 13 1
## 774 7 1
## 775 14 1
## 776 12 1
## 777 14 7
## 778 14 1
## 779 10 2
## 780 14 1
## 781 10 1
## 782 13 1
## 783 9 1
## 784 14 1
## 785 9 2
## 786 14 4
## 787 12 3
## 788 4 2
## 789 14 1
## 790 14 1
## 791 4 1
## 792 1 1
## 793 14 1
## 794 9 1
## 795 19 1
## 796 9 2
## 797 9 1
## 798 4 2
## 799 9 1
## 800 9 1
## 801 9 1
## 802 7 2
## 803 9 1
## 804 11 2
## 805 19 1
## 806 9 1
## 807 9 1
## 808 4 1
## 809 9 1
## 810 8 1
## 811 19 1
## 812 8 4
## 813 14 2
## 814 6 1
## 815 NA 1
## 816 9 1
## 817 13 1
## 818 14 1
## 819 9 2
## 820 13 2
## 821 14 2
## 822 9 1
## 823 9 1
## 824 9 1
## 825 8 1
## 826 10 1
## 827 14 1
## 828 4 2
## 829 10 1
## 830 9 4
## 831 16 2
## 832 14 2
## 833 9 1
## 834 8 2
## 835 14 2
## 836 9 1
## 837 9 1
## 838 9 2
## 839 9 1
## 840 4 1
## 841 19 2
## 842 19 1
## 843 14 1
## 844 9 1
## 845 10 1
## 846 9 1
## 847 9 1
## 848 9 4
## 849 4 1
## 850 9 2
## 851 9 1
## 852 9 1
## 853 19 1
## 854 19 1
## 855 9 2
## 856 9 8
## 857 13 1
## 858 13 1
## 859 11 2
## 860 9 1
## 861 9 1
## 862 19 1
## 863 9 1
## 864 14 2
## 865 4 2
## 866 19 2
## 867 4 2
## 868 19 1
## 869 9 1
## 870 14 2
## 871 9 7
## 872 9 1
## 873 19 2
## 874 12 1
## 875 14 1
## 876 9 1
## 877 7 1
## 878 9 1
## 879 9 1
## 880 9 2
## 881 9 4
## 882 9 2
## 883 9 1
## 884 8 2
## 885 9 1
## 886 9 1
## 887 9 1
## 888 9 8
## 889 12 2
## 890 9 2
## 891 9 1
## 892 9 1
## 893 10 7
## 894 4 2
## 895 10 2
## 896 11 4
## 897 12 1
## 898 19 2
## 899 14 8
## 900 19 2
## 901 9 1
## 902 19 1
## 903 13 1
## 904 19 1
## 905 19 1
## 906 9 1
## 907 14 7
## 908 10 8
## 909 10 1
## 910 8 1
## 911 9 2
## 912 13 1
## 913 9 1
## 914 8 1
## 915 10 5
## 916 9 1
## 917 14 1
## 918 7 7
## 919 10 8
## 920 9 8
## 921 19 1
## 922 19 2
## 923 4 2
## 924 10 2
## 925 19 1
## 926 14 1
## 927 9 1
## 928 9 1
## 929 9 1
## 930 9 1
## 931 9 1
## 932 9 1
## 933 9 2
## 934 4 1
## 935 16 2
## 936 12 1
## 937 12 1
## 938 9 1
## 939 10 8
## 940 14 1
## 941 5 1
## 942 14 1
## 943 7 3
## 944 19 1
## 945 9 2
## 946 19 1
## 947 9 1
## 948 4 2
## 949 2 2
## 950 14 2
## 951 14 1
## 952 12 5
## 953 9 2
## 954 19 1
## 955 14 2
## 956 19 1
## 957 8 2
## 958 4 1
## 959 10 2
## 960 10 1
## 961 9 1
## 962 9 1
## 963 9 1
## 964 8 7
## 965 8 7
## 966 19 1
## 967 19 1
## 968 7 1
## 969 7 1
## 970 19 1
## 971 4 2
## 972 19 1
## 973 4 1
## 974 9 1
## 975 9 1
## 976 9 1
## 977 9 2
## 978 9 1
## 979 4 1
## 980 9 1
## 981 14 2
## 982 10 3
## 983 9 1
## 984 12 1
## 985 4 1
## 986 9 1
## 987 19 1
## 988 9 1
## 989 9 1
## 990 9 1
## 991 19 1
## 992 9 1
## 993 9 1
## 994 9 2
## 995 10 4
## 996 9 1
## 997 9 1
## 998 9 1
## 999 9 2
## 1000 8 1
## 1001 9 1
## 1002 10 8
## 1003 7 4
## 1004 9 1
## 1005 4 2
## 1006 7 2
## 1007 19 1
## 1008 9 1
## 1009 9 2
## 1010 14 4
## 1011 12 2
## 1012 9 2
## 1013 9 4
## 1014 13 1
## 1015 7 1
## 1016 13 1
## 1017 8 4
## 1018 9 1
## 1019 9 1
## 1020 14 1
## 1021 9 1
## 1022 8 1
## 1023 8 2
## 1024 9 1
## 1025 12 1
## 1026 5 1
## 1027 19 2
## 1028 1 1
## 1029 14 1
## 1030 9 1# Option 1: Remove rows with missing values
data_complete <- na.omit(ata)
# Option 2: Impute missing values
# For numerical columns, you can replace missing values with the median or mean
num_cols <- sapply(ata, is.numeric)
ata[num_cols] <- lapply(ata[num_cols], function(x) ifelse(is.na(x), median(x, na.rm = TRUE), x))
# For categorical columns, you can replace missing values with the mode or a specific category
cat_cols <- sapply(ata, is.factor)
ata[cat_cols] <- lapply(ata[cat_cols], function(x) ifelse(is.na(x), as.integer(names(which.max(table(x)))), x))
# Now, you can proceed with your model training as before, using 'data_complete' or 'data' after imputationsum(is.na(ata))## [1] 0library(caret) # for machine learning functions## Warning: package 'caret' was built under R version 4.3.2## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.3.2## Loading required package: latticelibrary(randomForest) # for random forest## Warning: package 'randomForest' was built under R version 4.3.2## randomForest 4.7-1.1## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:ggplot2':
##
## marginlibrary(gbm) # for gradient boosting## Warning: package 'gbm' was built under R version 4.3.2## Loaded gbm 2.1.8.1library(e1071) # for SVM## Warning: package 'e1071' was built under R version 4.3.2# Convert the target variable and any other categorical predictors to factors
ata$Accident_severity <- as.factor(ata$Accident_severity)
categorical_columns <- sapply(ata, is.integer) # or is.numeric, depending on the data structure
ata[categorical_columns] <- lapply(ata[categorical_columns], as.factor)
# Prepare the training control
train_control <- trainControl(method = "cv", number = 10) # 10-fold CV
# Define the models to train
#models <- list(
#rf = list(method = "rf", tuneGrid = expand.grid(mtry = c(2, 3, 4))),
#gbm = list(method = "gbm", verbose = FALSE, tuneGrid = expand.grid(interaction.depth = c(1, 2, 3), n.trees = c(50, 100), shrinkage = c(0.01, 0.1))),
# svm = list(method = "svmRadial", tuneGrid = expand.grid(sigma = c(0.01, 0.1), C = c(1, 10)))
#)
# Define the models to train
models <- list(
rf = list(method = "rf", tuneGrid = expand.grid(mtry = c(2, 3, 4))),
gbm = list(
method = "gbm",
verbose = FALSE,
tuneGrid = expand.grid(
interaction.depth = c(1, 2, 3),
n.trees = c(50, 100),
shrinkage = c(0.01, 0.1),
n.minobsinnode = c(10, 20) # You may need to adjust these values based on your dataset
)
),
svm = list(method = "svmRadial", tuneGrid = expand.grid(sigma = c(0.01, 0.1), C = c(1, 10)))
)
# Train and evaluate models
set.seed(123) # for reproducibility
results <- lapply(names(models), function(model_name) {
model <- train(Accident_severity ~ ., data = ata,
method = models[[model_name]]$method,
trControl = train_control,
tuneGrid = models[[model_name]]$tuneGrid)
return(model)
})## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3700 nan 0.0100 0.0287
## 3 1.3540 nan 0.0100 0.0274
## 4 1.3390 nan 0.0100 0.0267
## 5 1.3251 nan 0.0100 0.0249
## 6 1.3101 nan 0.0100 0.0248
## 7 1.2964 nan 0.0100 0.0239
## 8 1.2826 nan 0.0100 0.0231
## 9 1.2698 nan 0.0100 0.0222
## 10 1.2568 nan 0.0100 0.0217
## 20 1.1521 nan 0.0100 0.0157
## 40 1.0141 nan 0.0100 0.0089
## 60 0.9318 nan 0.0100 0.0049
## 80 0.8801 nan 0.0100 0.0029
## 100 0.8465 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3704 nan 0.0100 0.0285
## 3 1.3545 nan 0.0100 0.0274
## 4 1.3394 nan 0.0100 0.0268
## 5 1.3253 nan 0.0100 0.0259
## 6 1.3114 nan 0.0100 0.0246
## 7 1.2979 nan 0.0100 0.0241
## 8 1.2844 nan 0.0100 0.0233
## 9 1.2717 nan 0.0100 0.0220
## 10 1.2598 nan 0.0100 0.0218
## 20 1.1553 nan 0.0100 0.0159
## 40 1.0166 nan 0.0100 0.0090
## 60 0.9333 nan 0.0100 0.0054
## 80 0.8819 nan 0.0100 0.0033
## 100 0.8492 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0302
## 2 1.3699 nan 0.0100 0.0291
## 3 1.3540 nan 0.0100 0.0278
## 4 1.3390 nan 0.0100 0.0267
## 5 1.3233 nan 0.0100 0.0256
## 6 1.3094 nan 0.0100 0.0251
## 7 1.2961 nan 0.0100 0.0242
## 8 1.2827 nan 0.0100 0.0233
## 9 1.2699 nan 0.0100 0.0225
## 10 1.2571 nan 0.0100 0.0221
## 20 1.1498 nan 0.0100 0.0148
## 40 1.0083 nan 0.0100 0.0089
## 60 0.9225 nan 0.0100 0.0052
## 80 0.8678 nan 0.0100 0.0032
## 100 0.8320 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3700 nan 0.0100 0.0283
## 3 1.3540 nan 0.0100 0.0275
## 4 1.3394 nan 0.0100 0.0272
## 5 1.3245 nan 0.0100 0.0249
## 6 1.3103 nan 0.0100 0.0244
## 7 1.2964 nan 0.0100 0.0240
## 8 1.2831 nan 0.0100 0.0233
## 9 1.2706 nan 0.0100 0.0226
## 10 1.2576 nan 0.0100 0.0217
## 20 1.1508 nan 0.0100 0.0162
## 40 1.0096 nan 0.0100 0.0088
## 60 0.9256 nan 0.0100 0.0052
## 80 0.8723 nan 0.0100 0.0029
## 100 0.8381 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0302
## 2 1.3693 nan 0.0100 0.0292
## 3 1.3535 nan 0.0100 0.0279
## 4 1.3374 nan 0.0100 0.0264
## 5 1.3225 nan 0.0100 0.0259
## 6 1.3081 nan 0.0100 0.0246
## 7 1.2942 nan 0.0100 0.0238
## 8 1.2802 nan 0.0100 0.0231
## 9 1.2667 nan 0.0100 0.0230
## 10 1.2540 nan 0.0100 0.0211
## 20 1.1463 nan 0.0100 0.0155
## 40 1.0022 nan 0.0100 0.0091
## 60 0.9145 nan 0.0100 0.0056
## 80 0.8584 nan 0.0100 0.0025
## 100 0.8212 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0300
## 2 1.3696 nan 0.0100 0.0282
## 3 1.3539 nan 0.0100 0.0277
## 4 1.3383 nan 0.0100 0.0269
## 5 1.3237 nan 0.0100 0.0252
## 6 1.3096 nan 0.0100 0.0250
## 7 1.2961 nan 0.0100 0.0242
## 8 1.2821 nan 0.0100 0.0237
## 9 1.2693 nan 0.0100 0.0220
## 10 1.2569 nan 0.0100 0.0219
## 20 1.1496 nan 0.0100 0.0154
## 40 1.0071 nan 0.0100 0.0088
## 60 0.9205 nan 0.0100 0.0050
## 80 0.8655 nan 0.0100 0.0029
## 100 0.8285 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2603
## 2 1.2331 nan 0.1000 0.1799
## 3 1.1293 nan 0.1000 0.1287
## 4 1.0518 nan 0.1000 0.0935
## 5 0.9950 nan 0.1000 0.0697
## 6 0.9515 nan 0.1000 0.0482
## 7 0.9162 nan 0.1000 0.0380
## 8 0.8901 nan 0.1000 0.0305
## 9 0.8693 nan 0.1000 0.0222
## 10 0.8527 nan 0.1000 0.0194
## 20 0.7798 nan 0.1000 0.0040
## 40 0.7466 nan 0.1000 -0.0052
## 60 0.7353 nan 0.1000 -0.0023
## 80 0.7293 nan 0.1000 -0.0035
## 100 0.7250 nan 0.1000 -0.0072
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2602
## 2 1.2378 nan 0.1000 0.1785
## 3 1.1354 nan 0.1000 0.1336
## 4 1.0609 nan 0.1000 0.0931
## 5 0.9991 nan 0.1000 0.0708
## 6 0.9534 nan 0.1000 0.0529
## 7 0.9190 nan 0.1000 0.0392
## 8 0.8915 nan 0.1000 0.0321
## 9 0.8725 nan 0.1000 0.0269
## 10 0.8554 nan 0.1000 0.0148
## 20 0.7901 nan 0.1000 0.0042
## 40 0.7609 nan 0.1000 -0.0026
## 60 0.7506 nan 0.1000 -0.0050
## 80 0.7451 nan 0.1000 -0.0023
## 100 0.7412 nan 0.1000 -0.0044
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2611
## 2 1.2326 nan 0.1000 0.1747
## 3 1.1225 nan 0.1000 0.1246
## 4 1.0434 nan 0.1000 0.0888
## 5 0.9841 nan 0.1000 0.0684
## 6 0.9406 nan 0.1000 0.0496
## 7 0.9049 nan 0.1000 0.0412
## 8 0.8770 nan 0.1000 0.0247
## 9 0.8576 nan 0.1000 0.0222
## 10 0.8397 nan 0.1000 0.0162
## 20 0.7596 nan 0.1000 0.0008
## 40 0.7165 nan 0.1000 -0.0052
## 60 0.6990 nan 0.1000 -0.0091
## 80 0.6845 nan 0.1000 -0.0068
## 100 0.6730 nan 0.1000 -0.0057
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2583
## 2 1.2358 nan 0.1000 0.1832
## 3 1.1320 nan 0.1000 0.1224
## 4 1.0487 nan 0.1000 0.0925
## 5 0.9936 nan 0.1000 0.0666
## 6 0.9469 nan 0.1000 0.0547
## 7 0.9136 nan 0.1000 0.0427
## 8 0.8838 nan 0.1000 0.0278
## 9 0.8627 nan 0.1000 0.0215
## 10 0.8441 nan 0.1000 0.0156
## 20 0.7703 nan 0.1000 -0.0043
## 40 0.7351 nan 0.1000 -0.0037
## 60 0.7208 nan 0.1000 -0.0088
## 80 0.7102 nan 0.1000 -0.0073
## 100 0.7013 nan 0.1000 -0.0073
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2675
## 2 1.2290 nan 0.1000 0.1758
## 3 1.1209 nan 0.1000 0.1212
## 4 1.0416 nan 0.1000 0.0865
## 5 0.9843 nan 0.1000 0.0671
## 6 0.9352 nan 0.1000 0.0493
## 7 0.8963 nan 0.1000 0.0387
## 8 0.8689 nan 0.1000 0.0310
## 9 0.8469 nan 0.1000 0.0236
## 10 0.8289 nan 0.1000 0.0224
## 20 0.7428 nan 0.1000 -0.0034
## 40 0.6926 nan 0.1000 -0.0067
## 60 0.6692 nan 0.1000 -0.0041
## 80 0.6511 nan 0.1000 -0.0065
## 100 0.6381 nan 0.1000 -0.0054
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2615
## 2 1.2328 nan 0.1000 0.1818
## 3 1.1216 nan 0.1000 0.1240
## 4 1.0445 nan 0.1000 0.0940
## 5 0.9854 nan 0.1000 0.0698
## 6 0.9418 nan 0.1000 0.0563
## 7 0.9071 nan 0.1000 0.0393
## 8 0.8781 nan 0.1000 0.0291
## 9 0.8556 nan 0.1000 0.0237
## 10 0.8365 nan 0.1000 0.0141
## 20 0.7553 nan 0.1000 0.0001
## 40 0.7151 nan 0.1000 -0.0085
## 60 0.6952 nan 0.1000 -0.0106
## 80 0.6821 nan 0.1000 -0.0092
## 100 0.6706 nan 0.1000 -0.0068
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0290
## 2 1.3715 nan 0.0100 0.0281
## 3 1.3558 nan 0.0100 0.0268
## 4 1.3417 nan 0.0100 0.0264
## 5 1.3272 nan 0.0100 0.0257
## 6 1.3131 nan 0.0100 0.0247
## 7 1.2997 nan 0.0100 0.0237
## 8 1.2868 nan 0.0100 0.0227
## 9 1.2745 nan 0.0100 0.0224
## 10 1.2626 nan 0.0100 0.0210
## 20 1.1578 nan 0.0100 0.0157
## 40 1.0195 nan 0.0100 0.0089
## 60 0.9354 nan 0.0100 0.0053
## 80 0.8833 nan 0.0100 0.0034
## 100 0.8486 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0290
## 2 1.3708 nan 0.0100 0.0285
## 3 1.3556 nan 0.0100 0.0274
## 4 1.3405 nan 0.0100 0.0265
## 5 1.3262 nan 0.0100 0.0256
## 6 1.3123 nan 0.0100 0.0238
## 7 1.2991 nan 0.0100 0.0227
## 8 1.2870 nan 0.0100 0.0232
## 9 1.2743 nan 0.0100 0.0223
## 10 1.2617 nan 0.0100 0.0214
## 20 1.1577 nan 0.0100 0.0156
## 40 1.0207 nan 0.0100 0.0086
## 60 0.9367 nan 0.0100 0.0052
## 80 0.8858 nan 0.0100 0.0031
## 100 0.8520 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0292
## 2 1.3691 nan 0.0100 0.0284
## 3 1.3529 nan 0.0100 0.0277
## 4 1.3379 nan 0.0100 0.0265
## 5 1.3234 nan 0.0100 0.0255
## 6 1.3090 nan 0.0100 0.0240
## 7 1.2946 nan 0.0100 0.0233
## 8 1.2812 nan 0.0100 0.0221
## 9 1.2690 nan 0.0100 0.0223
## 10 1.2566 nan 0.0100 0.0219
## 20 1.1512 nan 0.0100 0.0160
## 40 1.0094 nan 0.0100 0.0090
## 60 0.9237 nan 0.0100 0.0052
## 80 0.8694 nan 0.0100 0.0031
## 100 0.8334 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0292
## 2 1.3704 nan 0.0100 0.0282
## 3 1.3548 nan 0.0100 0.0278
## 4 1.3391 nan 0.0100 0.0267
## 5 1.3243 nan 0.0100 0.0246
## 6 1.3106 nan 0.0100 0.0246
## 7 1.2972 nan 0.0100 0.0240
## 8 1.2835 nan 0.0100 0.0231
## 9 1.2710 nan 0.0100 0.0223
## 10 1.2588 nan 0.0100 0.0216
## 20 1.1529 nan 0.0100 0.0156
## 40 1.0117 nan 0.0100 0.0086
## 60 0.9282 nan 0.0100 0.0053
## 80 0.8754 nan 0.0100 0.0032
## 100 0.8402 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0290
## 2 1.3702 nan 0.0100 0.0280
## 3 1.3547 nan 0.0100 0.0273
## 4 1.3397 nan 0.0100 0.0257
## 5 1.3242 nan 0.0100 0.0259
## 6 1.3100 nan 0.0100 0.0240
## 7 1.2963 nan 0.0100 0.0241
## 8 1.2827 nan 0.0100 0.0228
## 9 1.2696 nan 0.0100 0.0218
## 10 1.2574 nan 0.0100 0.0211
## 20 1.1494 nan 0.0100 0.0157
## 40 1.0056 nan 0.0100 0.0092
## 60 0.9176 nan 0.0100 0.0054
## 80 0.8607 nan 0.0100 0.0029
## 100 0.8231 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0296
## 2 1.3703 nan 0.0100 0.0287
## 3 1.3548 nan 0.0100 0.0281
## 4 1.3398 nan 0.0100 0.0266
## 5 1.3244 nan 0.0100 0.0258
## 6 1.3103 nan 0.0100 0.0246
## 7 1.2964 nan 0.0100 0.0236
## 8 1.2830 nan 0.0100 0.0227
## 9 1.2700 nan 0.0100 0.0224
## 10 1.2568 nan 0.0100 0.0221
## 20 1.1514 nan 0.0100 0.0155
## 40 1.0097 nan 0.0100 0.0091
## 60 0.9237 nan 0.0100 0.0055
## 80 0.8679 nan 0.0100 0.0034
## 100 0.8316 nan 0.0100 0.0016
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2566
## 2 1.2372 nan 0.1000 0.1718
## 3 1.1326 nan 0.1000 0.1229
## 4 1.0576 nan 0.1000 0.0858
## 5 1.0043 nan 0.1000 0.0746
## 6 0.9591 nan 0.1000 0.0558
## 7 0.9228 nan 0.1000 0.0434
## 8 0.8947 nan 0.1000 0.0255
## 9 0.8707 nan 0.1000 0.0260
## 10 0.8544 nan 0.1000 0.0185
## 20 0.7834 nan 0.1000 0.0012
## 40 0.7502 nan 0.1000 -0.0035
## 60 0.7393 nan 0.1000 -0.0024
## 80 0.7325 nan 0.1000 -0.0053
## 100 0.7298 nan 0.1000 -0.0060
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2576
## 2 1.2367 nan 0.1000 0.1712
## 3 1.1316 nan 0.1000 0.1228
## 4 1.0558 nan 0.1000 0.0924
## 5 1.0022 nan 0.1000 0.0712
## 6 0.9588 nan 0.1000 0.0529
## 7 0.9260 nan 0.1000 0.0443
## 8 0.8986 nan 0.1000 0.0309
## 9 0.8781 nan 0.1000 0.0273
## 10 0.8618 nan 0.1000 0.0219
## 20 0.7890 nan 0.1000 0.0036
## 40 0.7622 nan 0.1000 -0.0000
## 60 0.7510 nan 0.1000 -0.0040
## 80 0.7459 nan 0.1000 -0.0047
## 100 0.7428 nan 0.1000 -0.0070
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2607
## 2 1.2406 nan 0.1000 0.1758
## 3 1.1314 nan 0.1000 0.1284
## 4 1.0541 nan 0.1000 0.0982
## 5 0.9929 nan 0.1000 0.0687
## 6 0.9446 nan 0.1000 0.0504
## 7 0.9082 nan 0.1000 0.0344
## 8 0.8789 nan 0.1000 0.0274
## 9 0.8576 nan 0.1000 0.0194
## 10 0.8420 nan 0.1000 0.0187
## 20 0.7602 nan 0.1000 -0.0015
## 40 0.7216 nan 0.1000 -0.0051
## 60 0.7044 nan 0.1000 -0.0072
## 80 0.6930 nan 0.1000 -0.0108
## 100 0.6853 nan 0.1000 -0.0062
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2563
## 2 1.2438 nan 0.1000 0.1800
## 3 1.1392 nan 0.1000 0.1355
## 4 1.0593 nan 0.1000 0.0915
## 5 1.0028 nan 0.1000 0.0787
## 6 0.9553 nan 0.1000 0.0561
## 7 0.9196 nan 0.1000 0.0442
## 8 0.8895 nan 0.1000 0.0304
## 9 0.8666 nan 0.1000 0.0201
## 10 0.8484 nan 0.1000 0.0183
## 20 0.7730 nan 0.1000 0.0014
## 40 0.7383 nan 0.1000 -0.0062
## 60 0.7277 nan 0.1000 -0.0093
## 80 0.7169 nan 0.1000 -0.0110
## 100 0.7070 nan 0.1000 -0.0053
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2521
## 2 1.2301 nan 0.1000 0.1771
## 3 1.1259 nan 0.1000 0.1266
## 4 1.0464 nan 0.1000 0.0969
## 5 0.9835 nan 0.1000 0.0683
## 6 0.9386 nan 0.1000 0.0523
## 7 0.9017 nan 0.1000 0.0324
## 8 0.8754 nan 0.1000 0.0308
## 9 0.8514 nan 0.1000 0.0231
## 10 0.8319 nan 0.1000 0.0208
## 20 0.7468 nan 0.1000 -0.0029
## 40 0.6984 nan 0.1000 -0.0066
## 60 0.6792 nan 0.1000 -0.0080
## 80 0.6596 nan 0.1000 -0.0070
## 100 0.6457 nan 0.1000 -0.0064
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2611
## 2 1.2329 nan 0.1000 0.1780
## 3 1.1250 nan 0.1000 0.1287
## 4 1.0519 nan 0.1000 0.0883
## 5 0.9965 nan 0.1000 0.0725
## 6 0.9497 nan 0.1000 0.0481
## 7 0.9143 nan 0.1000 0.0417
## 8 0.8854 nan 0.1000 0.0257
## 9 0.8609 nan 0.1000 0.0250
## 10 0.8413 nan 0.1000 0.0127
## 20 0.7613 nan 0.1000 -0.0024
## 40 0.7207 nan 0.1000 -0.0057
## 60 0.7030 nan 0.1000 -0.0154
## 80 0.6897 nan 0.1000 -0.0066
## 100 0.6789 nan 0.1000 -0.0111## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0287
## 2 1.3708 nan 0.0100 0.0287
## 3 1.3556 nan 0.0100 0.0275
## 4 1.3400 nan 0.0100 0.0264
## 5 1.3257 nan 0.0100 0.0246
## 6 1.3121 nan 0.0100 0.0248
## 7 1.2986 nan 0.0100 0.0231
## 8 1.2855 nan 0.0100 0.0228
## 9 1.2723 nan 0.0100 0.0226
## 10 1.2602 nan 0.0100 0.0219
## 20 1.1571 nan 0.0100 0.0153
## 40 1.0181 nan 0.0100 0.0091
## 60 0.9362 nan 0.0100 0.0054
## 80 0.8845 nan 0.0100 0.0035
## 100 0.8500 nan 0.0100 0.0022## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3702 nan 0.0100 0.0282
## 3 1.3551 nan 0.0100 0.0267
## 4 1.3403 nan 0.0100 0.0263
## 5 1.3252 nan 0.0100 0.0253
## 6 1.3116 nan 0.0100 0.0247
## 7 1.2979 nan 0.0100 0.0238
## 8 1.2844 nan 0.0100 0.0233
## 9 1.2722 nan 0.0100 0.0216
## 10 1.2596 nan 0.0100 0.0215
## 20 1.1561 nan 0.0100 0.0157
## 40 1.0198 nan 0.0100 0.0091
## 60 0.9373 nan 0.0100 0.0055
## 80 0.8854 nan 0.0100 0.0032
## 100 0.8531 nan 0.0100 0.0022## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3703 nan 0.0100 0.0290
## 3 1.3542 nan 0.0100 0.0275
## 4 1.3392 nan 0.0100 0.0264
## 5 1.3250 nan 0.0100 0.0256
## 6 1.3108 nan 0.0100 0.0249
## 7 1.2967 nan 0.0100 0.0239
## 8 1.2836 nan 0.0100 0.0232
## 9 1.2708 nan 0.0100 0.0221
## 10 1.2588 nan 0.0100 0.0214
## 20 1.1529 nan 0.0100 0.0158
## 40 1.0126 nan 0.0100 0.0088
## 60 0.9263 nan 0.0100 0.0055
## 80 0.8711 nan 0.0100 0.0029
## 100 0.8356 nan 0.0100 0.0018## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0300
## 2 1.3702 nan 0.0100 0.0283
## 3 1.3546 nan 0.0100 0.0266
## 4 1.3398 nan 0.0100 0.0269
## 5 1.3253 nan 0.0100 0.0251
## 6 1.3116 nan 0.0100 0.0243
## 7 1.2976 nan 0.0100 0.0240
## 8 1.2843 nan 0.0100 0.0231
## 9 1.2716 nan 0.0100 0.0221
## 10 1.2600 nan 0.0100 0.0222
## 20 1.1549 nan 0.0100 0.0158
## 40 1.0131 nan 0.0100 0.0091
## 60 0.9285 nan 0.0100 0.0047
## 80 0.8758 nan 0.0100 0.0034
## 100 0.8414 nan 0.0100 0.0021## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0304
## 2 1.3695 nan 0.0100 0.0284
## 3 1.3532 nan 0.0100 0.0279
## 4 1.3377 nan 0.0100 0.0264
## 5 1.3223 nan 0.0100 0.0260
## 6 1.3080 nan 0.0100 0.0249
## 7 1.2939 nan 0.0100 0.0232
## 8 1.2802 nan 0.0100 0.0231
## 9 1.2673 nan 0.0100 0.0228
## 10 1.2539 nan 0.0100 0.0217
## 20 1.1467 nan 0.0100 0.0157
## 40 1.0044 nan 0.0100 0.0090
## 60 0.9172 nan 0.0100 0.0050
## 80 0.8622 nan 0.0100 0.0029
## 100 0.8255 nan 0.0100 0.0024## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0297
## 2 1.3706 nan 0.0100 0.0274
## 3 1.3556 nan 0.0100 0.0277
## 4 1.3405 nan 0.0100 0.0269
## 5 1.3260 nan 0.0100 0.0256
## 6 1.3119 nan 0.0100 0.0249
## 7 1.2981 nan 0.0100 0.0251
## 8 1.2839 nan 0.0100 0.0229
## 9 1.2714 nan 0.0100 0.0226
## 10 1.2588 nan 0.0100 0.0221
## 20 1.1506 nan 0.0100 0.0159
## 40 1.0089 nan 0.0100 0.0091
## 60 0.9234 nan 0.0100 0.0052
## 80 0.8693 nan 0.0100 0.0032
## 100 0.8335 nan 0.0100 0.0014## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2602
## 2 1.2353 nan 0.1000 0.1743
## 3 1.1291 nan 0.1000 0.1244
## 4 1.0567 nan 0.1000 0.0933
## 5 0.9996 nan 0.1000 0.0675
## 6 0.9551 nan 0.1000 0.0522
## 7 0.9202 nan 0.1000 0.0412
## 8 0.8942 nan 0.1000 0.0258
## 9 0.8715 nan 0.1000 0.0213
## 10 0.8563 nan 0.1000 0.0140
## 20 0.7864 nan 0.1000 -0.0008
## 40 0.7522 nan 0.1000 -0.0019
## 60 0.7420 nan 0.1000 -0.0052
## 80 0.7367 nan 0.1000 -0.0044
## 100 0.7332 nan 0.1000 -0.0042## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2596
## 2 1.2373 nan 0.1000 0.1769
## 3 1.1330 nan 0.1000 0.1249
## 4 1.0571 nan 0.1000 0.0886
## 5 0.9964 nan 0.1000 0.0681
## 6 0.9538 nan 0.1000 0.0512
## 7 0.9227 nan 0.1000 0.0414
## 8 0.8961 nan 0.1000 0.0289
## 9 0.8772 nan 0.1000 0.0186
## 10 0.8606 nan 0.1000 0.0154
## 20 0.7923 nan 0.1000 -0.0013
## 40 0.7657 nan 0.1000 -0.0028
## 60 0.7564 nan 0.1000 -0.0031
## 80 0.7531 nan 0.1000 -0.0044
## 100 0.7505 nan 0.1000 -0.0017## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2606
## 2 1.2332 nan 0.1000 0.1817
## 3 1.1271 nan 0.1000 0.1267
## 4 1.0506 nan 0.1000 0.0932
## 5 0.9914 nan 0.1000 0.0671
## 6 0.9455 nan 0.1000 0.0505
## 7 0.9117 nan 0.1000 0.0397
## 8 0.8844 nan 0.1000 0.0349
## 9 0.8617 nan 0.1000 0.0207
## 10 0.8447 nan 0.1000 0.0182
## 20 0.7654 nan 0.1000 0.0004
## 40 0.7233 nan 0.1000 -0.0110
## 60 0.7087 nan 0.1000 -0.0089
## 80 0.6963 nan 0.1000 -0.0068
## 100 0.6864 nan 0.1000 -0.0068## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2618
## 2 1.2340 nan 0.1000 0.1691
## 3 1.1265 nan 0.1000 0.1220
## 4 1.0489 nan 0.1000 0.0859
## 5 0.9947 nan 0.1000 0.0725
## 6 0.9493 nan 0.1000 0.0516
## 7 0.9159 nan 0.1000 0.0374
## 8 0.8919 nan 0.1000 0.0308
## 9 0.8706 nan 0.1000 0.0241
## 10 0.8517 nan 0.1000 0.0206
## 20 0.7761 nan 0.1000 -0.0014
## 40 0.7429 nan 0.1000 -0.0041
## 60 0.7311 nan 0.1000 -0.0082
## 80 0.7194 nan 0.1000 -0.0107
## 100 0.7131 nan 0.1000 -0.0065## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2564
## 2 1.2291 nan 0.1000 0.1736
## 3 1.1228 nan 0.1000 0.1208
## 4 1.0411 nan 0.1000 0.0905
## 5 0.9818 nan 0.1000 0.0677
## 6 0.9361 nan 0.1000 0.0525
## 7 0.9013 nan 0.1000 0.0368
## 8 0.8731 nan 0.1000 0.0293
## 9 0.8513 nan 0.1000 0.0212
## 10 0.8307 nan 0.1000 0.0185
## 20 0.7473 nan 0.1000 -0.0091
## 40 0.6998 nan 0.1000 -0.0110
## 60 0.6760 nan 0.1000 -0.0062
## 80 0.6550 nan 0.1000 -0.0086
## 100 0.6397 nan 0.1000 -0.0078## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 46: Vehicle_damage6 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2577
## 2 1.2323 nan 0.1000 0.1713
## 3 1.1211 nan 0.1000 0.1254
## 4 1.0463 nan 0.1000 0.0918
## 5 0.9891 nan 0.1000 0.0720
## 6 0.9437 nan 0.1000 0.0504
## 7 0.9066 nan 0.1000 0.0308
## 8 0.8803 nan 0.1000 0.0320
## 9 0.8583 nan 0.1000 0.0165
## 10 0.8411 nan 0.1000 0.0173
## 20 0.7673 nan 0.1000 -0.0032
## 40 0.7318 nan 0.1000 -0.0107
## 60 0.7069 nan 0.1000 -0.0086
## 80 0.6938 nan 0.1000 -0.0053
## 100 0.6799 nan 0.1000 -0.0104
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3699 nan 0.0100 0.0286
## 3 1.3549 nan 0.0100 0.0275
## 4 1.3396 nan 0.0100 0.0265
## 5 1.3257 nan 0.0100 0.0256
## 6 1.3119 nan 0.0100 0.0244
## 7 1.2989 nan 0.0100 0.0240
## 8 1.2857 nan 0.0100 0.0231
## 9 1.2731 nan 0.0100 0.0221
## 10 1.2614 nan 0.0100 0.0215
## 20 1.1552 nan 0.0100 0.0158
## 40 1.0176 nan 0.0100 0.0092
## 60 0.9346 nan 0.0100 0.0056
## 80 0.8824 nan 0.0100 0.0031
## 100 0.8486 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0291
## 2 1.3695 nan 0.0100 0.0282
## 3 1.3539 nan 0.0100 0.0269
## 4 1.3386 nan 0.0100 0.0258
## 5 1.3246 nan 0.0100 0.0252
## 6 1.3107 nan 0.0100 0.0248
## 7 1.2972 nan 0.0100 0.0237
## 8 1.2842 nan 0.0100 0.0230
## 9 1.2713 nan 0.0100 0.0219
## 10 1.2596 nan 0.0100 0.0216
## 20 1.1552 nan 0.0100 0.0156
## 40 1.0192 nan 0.0100 0.0091
## 60 0.9364 nan 0.0100 0.0054
## 80 0.8842 nan 0.0100 0.0031
## 100 0.8503 nan 0.0100 0.0017
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0299
## 2 1.3699 nan 0.0100 0.0289
## 3 1.3537 nan 0.0100 0.0279
## 4 1.3388 nan 0.0100 0.0272
## 5 1.3245 nan 0.0100 0.0259
## 6 1.3096 nan 0.0100 0.0250
## 7 1.2959 nan 0.0100 0.0243
## 8 1.2823 nan 0.0100 0.0235
## 9 1.2691 nan 0.0100 0.0222
## 10 1.2564 nan 0.0100 0.0221
## 20 1.1496 nan 0.0100 0.0157
## 40 1.0072 nan 0.0100 0.0088
## 60 0.9220 nan 0.0100 0.0052
## 80 0.8672 nan 0.0100 0.0031
## 100 0.8318 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3704 nan 0.0100 0.0280
## 3 1.3544 nan 0.0100 0.0273
## 4 1.3397 nan 0.0100 0.0264
## 5 1.3246 nan 0.0100 0.0250
## 6 1.3105 nan 0.0100 0.0248
## 7 1.2971 nan 0.0100 0.0241
## 8 1.2835 nan 0.0100 0.0225
## 9 1.2713 nan 0.0100 0.0221
## 10 1.2586 nan 0.0100 0.0218
## 20 1.1525 nan 0.0100 0.0161
## 40 1.0099 nan 0.0100 0.0093
## 60 0.9256 nan 0.0100 0.0052
## 80 0.8732 nan 0.0100 0.0031
## 100 0.8388 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3700 nan 0.0100 0.0291
## 3 1.3540 nan 0.0100 0.0274
## 4 1.3388 nan 0.0100 0.0277
## 5 1.3238 nan 0.0100 0.0255
## 6 1.3092 nan 0.0100 0.0243
## 7 1.2950 nan 0.0100 0.0235
## 8 1.2816 nan 0.0100 0.0238
## 9 1.2685 nan 0.0100 0.0227
## 10 1.2555 nan 0.0100 0.0219
## 20 1.1477 nan 0.0100 0.0161
## 40 1.0043 nan 0.0100 0.0087
## 60 0.9161 nan 0.0100 0.0054
## 80 0.8589 nan 0.0100 0.0027
## 100 0.8207 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3696 nan 0.0100 0.0290
## 3 1.3538 nan 0.0100 0.0269
## 4 1.3389 nan 0.0100 0.0276
## 5 1.3245 nan 0.0100 0.0265
## 6 1.3100 nan 0.0100 0.0246
## 7 1.2965 nan 0.0100 0.0241
## 8 1.2833 nan 0.0100 0.0229
## 9 1.2698 nan 0.0100 0.0227
## 10 1.2574 nan 0.0100 0.0209
## 20 1.1517 nan 0.0100 0.0154
## 40 1.0095 nan 0.0100 0.0092
## 60 0.9222 nan 0.0100 0.0055
## 80 0.8672 nan 0.0100 0.0032
## 100 0.8314 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2608
## 2 1.2384 nan 0.1000 0.1766
## 3 1.1349 nan 0.1000 0.1315
## 4 1.0573 nan 0.1000 0.0909
## 5 0.9996 nan 0.1000 0.0716
## 6 0.9539 nan 0.1000 0.0518
## 7 0.9225 nan 0.1000 0.0395
## 8 0.8935 nan 0.1000 0.0304
## 9 0.8728 nan 0.1000 0.0203
## 10 0.8559 nan 0.1000 0.0220
## 20 0.7846 nan 0.1000 0.0004
## 40 0.7517 nan 0.1000 -0.0018
## 60 0.7385 nan 0.1000 -0.0032
## 80 0.7324 nan 0.1000 -0.0031
## 100 0.7278 nan 0.1000 -0.0026
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2575
## 2 1.2411 nan 0.1000 0.1773
## 3 1.1402 nan 0.1000 0.1292
## 4 1.0636 nan 0.1000 0.0993
## 5 1.0066 nan 0.1000 0.0741
## 6 0.9620 nan 0.1000 0.0521
## 7 0.9245 nan 0.1000 0.0415
## 8 0.8975 nan 0.1000 0.0328
## 9 0.8756 nan 0.1000 0.0245
## 10 0.8574 nan 0.1000 0.0186
## 20 0.7893 nan 0.1000 -0.0007
## 40 0.7632 nan 0.1000 -0.0039
## 60 0.7520 nan 0.1000 -0.0047
## 80 0.7482 nan 0.1000 -0.0065
## 100 0.7457 nan 0.1000 -0.0035
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2601
## 2 1.2353 nan 0.1000 0.1769
## 3 1.1255 nan 0.1000 0.1240
## 4 1.0460 nan 0.1000 0.0870
## 5 0.9898 nan 0.1000 0.0709
## 6 0.9472 nan 0.1000 0.0506
## 7 0.9104 nan 0.1000 0.0376
## 8 0.8825 nan 0.1000 0.0291
## 9 0.8581 nan 0.1000 0.0221
## 10 0.8402 nan 0.1000 0.0187
## 20 0.7610 nan 0.1000 -0.0034
## 40 0.7219 nan 0.1000 -0.0045
## 60 0.7039 nan 0.1000 -0.0034
## 80 0.6914 nan 0.1000 -0.0067
## 100 0.6820 nan 0.1000 -0.0097
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2596
## 2 1.2317 nan 0.1000 0.1744
## 3 1.1226 nan 0.1000 0.1228
## 4 1.0475 nan 0.1000 0.0892
## 5 0.9891 nan 0.1000 0.0653
## 6 0.9447 nan 0.1000 0.0526
## 7 0.9122 nan 0.1000 0.0361
## 8 0.8859 nan 0.1000 0.0272
## 9 0.8641 nan 0.1000 0.0233
## 10 0.8474 nan 0.1000 0.0189
## 20 0.7727 nan 0.1000 0.0006
## 40 0.7414 nan 0.1000 -0.0041
## 60 0.7259 nan 0.1000 -0.0053
## 80 0.7161 nan 0.1000 -0.0067
## 100 0.7087 nan 0.1000 -0.0063
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2566
## 2 1.2339 nan 0.1000 0.1768
## 3 1.1229 nan 0.1000 0.1290
## 4 1.0434 nan 0.1000 0.0962
## 5 0.9856 nan 0.1000 0.0706
## 6 0.9387 nan 0.1000 0.0496
## 7 0.9050 nan 0.1000 0.0345
## 8 0.8775 nan 0.1000 0.0342
## 9 0.8544 nan 0.1000 0.0266
## 10 0.8346 nan 0.1000 0.0197
## 20 0.7458 nan 0.1000 -0.0044
## 40 0.6991 nan 0.1000 -0.0040
## 60 0.6762 nan 0.1000 -0.0069
## 80 0.6609 nan 0.1000 -0.0062
## 100 0.6449 nan 0.1000 -0.0094
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2703
## 2 1.2311 nan 0.1000 0.1799
## 3 1.1248 nan 0.1000 0.1235
## 4 1.0452 nan 0.1000 0.0909
## 5 0.9849 nan 0.1000 0.0693
## 6 0.9388 nan 0.1000 0.0521
## 7 0.9055 nan 0.1000 0.0349
## 8 0.8809 nan 0.1000 0.0318
## 9 0.8591 nan 0.1000 0.0230
## 10 0.8404 nan 0.1000 0.0213
## 20 0.7612 nan 0.1000 -0.0051
## 40 0.7217 nan 0.1000 -0.0054
## 60 0.7006 nan 0.1000 -0.0054
## 80 0.6848 nan 0.1000 -0.0078
## 100 0.6726 nan 0.1000 -0.0053
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0289
## 2 1.3704 nan 0.0100 0.0273
## 3 1.3552 nan 0.0100 0.0264
## 4 1.3409 nan 0.0100 0.0261
## 5 1.3264 nan 0.0100 0.0253
## 6 1.3125 nan 0.0100 0.0239
## 7 1.2996 nan 0.0100 0.0233
## 8 1.2868 nan 0.0100 0.0226
## 9 1.2743 nan 0.0100 0.0220
## 10 1.2623 nan 0.0100 0.0216
## 20 1.1602 nan 0.0100 0.0154
## 40 1.0215 nan 0.0100 0.0089
## 60 0.9393 nan 0.0100 0.0051
## 80 0.8873 nan 0.0100 0.0033
## 100 0.8531 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0288
## 2 1.3709 nan 0.0100 0.0276
## 3 1.3553 nan 0.0100 0.0270
## 4 1.3407 nan 0.0100 0.0261
## 5 1.3261 nan 0.0100 0.0251
## 6 1.3128 nan 0.0100 0.0239
## 7 1.2993 nan 0.0100 0.0235
## 8 1.2866 nan 0.0100 0.0226
## 9 1.2742 nan 0.0100 0.0216
## 10 1.2616 nan 0.0100 0.0208
## 20 1.1597 nan 0.0100 0.0156
## 40 1.0232 nan 0.0100 0.0091
## 60 0.9410 nan 0.0100 0.0055
## 80 0.8900 nan 0.0100 0.0033
## 100 0.8573 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3703 nan 0.0100 0.0280
## 3 1.3544 nan 0.0100 0.0266
## 4 1.3397 nan 0.0100 0.0260
## 5 1.3260 nan 0.0100 0.0253
## 6 1.3120 nan 0.0100 0.0239
## 7 1.2984 nan 0.0100 0.0233
## 8 1.2852 nan 0.0100 0.0224
## 9 1.2725 nan 0.0100 0.0224
## 10 1.2598 nan 0.0100 0.0210
## 20 1.1550 nan 0.0100 0.0155
## 40 1.0137 nan 0.0100 0.0090
## 60 0.9301 nan 0.0100 0.0050
## 80 0.8750 nan 0.0100 0.0033
## 100 0.8390 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0291
## 2 1.3692 nan 0.0100 0.0287
## 3 1.3536 nan 0.0100 0.0275
## 4 1.3384 nan 0.0100 0.0257
## 5 1.3238 nan 0.0100 0.0252
## 6 1.3097 nan 0.0100 0.0250
## 7 1.2963 nan 0.0100 0.0237
## 8 1.2828 nan 0.0100 0.0224
## 9 1.2702 nan 0.0100 0.0219
## 10 1.2579 nan 0.0100 0.0212
## 20 1.1538 nan 0.0100 0.0154
## 40 1.0145 nan 0.0100 0.0086
## 60 0.9321 nan 0.0100 0.0046
## 80 0.8797 nan 0.0100 0.0028
## 100 0.8458 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3701 nan 0.0100 0.0281
## 3 1.3543 nan 0.0100 0.0270
## 4 1.3388 nan 0.0100 0.0266
## 5 1.3242 nan 0.0100 0.0256
## 6 1.3101 nan 0.0100 0.0238
## 7 1.2961 nan 0.0100 0.0235
## 8 1.2832 nan 0.0100 0.0227
## 9 1.2704 nan 0.0100 0.0224
## 10 1.2582 nan 0.0100 0.0208
## 20 1.1524 nan 0.0100 0.0160
## 40 1.0077 nan 0.0100 0.0085
## 60 0.9219 nan 0.0100 0.0054
## 80 0.8663 nan 0.0100 0.0029
## 100 0.8290 nan 0.0100 0.0016
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3704 nan 0.0100 0.0283
## 3 1.3549 nan 0.0100 0.0274
## 4 1.3397 nan 0.0100 0.0263
## 5 1.3254 nan 0.0100 0.0250
## 6 1.3111 nan 0.0100 0.0241
## 7 1.2975 nan 0.0100 0.0233
## 8 1.2843 nan 0.0100 0.0233
## 9 1.2715 nan 0.0100 0.0227
## 10 1.2591 nan 0.0100 0.0213
## 20 1.1525 nan 0.0100 0.0153
## 40 1.0121 nan 0.0100 0.0089
## 60 0.9270 nan 0.0100 0.0055
## 80 0.8730 nan 0.0100 0.0030
## 100 0.8368 nan 0.0100 0.0015
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2538
## 2 1.2447 nan 0.1000 0.1792
## 3 1.1384 nan 0.1000 0.1216
## 4 1.0652 nan 0.1000 0.0979
## 5 1.0083 nan 0.1000 0.0732
## 6 0.9631 nan 0.1000 0.0534
## 7 0.9270 nan 0.1000 0.0377
## 8 0.8973 nan 0.1000 0.0279
## 9 0.8784 nan 0.1000 0.0243
## 10 0.8609 nan 0.1000 0.0196
## 20 0.7882 nan 0.1000 0.0036
## 40 0.7535 nan 0.1000 -0.0049
## 60 0.7425 nan 0.1000 -0.0036
## 80 0.7354 nan 0.1000 -0.0030
## 100 0.7319 nan 0.1000 -0.0041
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2485
## 2 1.2332 nan 0.1000 0.1725
## 3 1.1331 nan 0.1000 0.1246
## 4 1.0596 nan 0.1000 0.0923
## 5 1.0037 nan 0.1000 0.0712
## 6 0.9583 nan 0.1000 0.0537
## 7 0.9260 nan 0.1000 0.0406
## 8 0.9001 nan 0.1000 0.0303
## 9 0.8795 nan 0.1000 0.0240
## 10 0.8631 nan 0.1000 0.0158
## 20 0.7968 nan 0.1000 -0.0032
## 40 0.7683 nan 0.1000 -0.0061
## 60 0.7573 nan 0.1000 -0.0031
## 80 0.7524 nan 0.1000 -0.0034
## 100 0.7499 nan 0.1000 -0.0027
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2533
## 2 1.2356 nan 0.1000 0.1789
## 3 1.1287 nan 0.1000 0.1266
## 4 1.0549 nan 0.1000 0.0902
## 5 1.0001 nan 0.1000 0.0738
## 6 0.9535 nan 0.1000 0.0530
## 7 0.9195 nan 0.1000 0.0402
## 8 0.8891 nan 0.1000 0.0270
## 9 0.8668 nan 0.1000 0.0213
## 10 0.8473 nan 0.1000 0.0165
## 20 0.7712 nan 0.1000 -0.0009
## 40 0.7310 nan 0.1000 -0.0052
## 60 0.7131 nan 0.1000 -0.0070
## 80 0.7025 nan 0.1000 -0.0089
## 100 0.6923 nan 0.1000 -0.0080
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2477
## 2 1.2344 nan 0.1000 0.1695
## 3 1.1296 nan 0.1000 0.1208
## 4 1.0517 nan 0.1000 0.0902
## 5 0.9956 nan 0.1000 0.0671
## 6 0.9495 nan 0.1000 0.0492
## 7 0.9175 nan 0.1000 0.0410
## 8 0.8887 nan 0.1000 0.0267
## 9 0.8676 nan 0.1000 0.0210
## 10 0.8501 nan 0.1000 0.0167
## 20 0.7765 nan 0.1000 -0.0041
## 40 0.7422 nan 0.1000 -0.0044
## 60 0.7276 nan 0.1000 -0.0062
## 80 0.7197 nan 0.1000 -0.0057
## 100 0.7135 nan 0.1000 -0.0070
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2518
## 2 1.2294 nan 0.1000 0.1685
## 3 1.1233 nan 0.1000 0.1261
## 4 1.0460 nan 0.1000 0.0873
## 5 0.9852 nan 0.1000 0.0699
## 6 0.9404 nan 0.1000 0.0505
## 7 0.9054 nan 0.1000 0.0354
## 8 0.8780 nan 0.1000 0.0247
## 9 0.8563 nan 0.1000 0.0238
## 10 0.8372 nan 0.1000 0.0167
## 20 0.7540 nan 0.1000 -0.0078
## 40 0.7075 nan 0.1000 -0.0085
## 60 0.6867 nan 0.1000 -0.0116
## 80 0.6693 nan 0.1000 -0.0092
## 100 0.6550 nan 0.1000 -0.0057
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2580
## 2 1.2373 nan 0.1000 0.1790
## 3 1.1346 nan 0.1000 0.1188
## 4 1.0574 nan 0.1000 0.0983
## 5 0.9991 nan 0.1000 0.0666
## 6 0.9496 nan 0.1000 0.0509
## 7 0.9135 nan 0.1000 0.0386
## 8 0.8848 nan 0.1000 0.0292
## 9 0.8621 nan 0.1000 0.0188
## 10 0.8436 nan 0.1000 0.0108
## 20 0.7666 nan 0.1000 -0.0043
## 40 0.7259 nan 0.1000 -0.0082
## 60 0.7056 nan 0.1000 -0.0090
## 80 0.6918 nan 0.1000 -0.0065
## 100 0.6800 nan 0.1000 -0.0073
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3702 nan 0.0100 0.0284
## 3 1.3553 nan 0.0100 0.0274
## 4 1.3403 nan 0.0100 0.0264
## 5 1.3255 nan 0.0100 0.0253
## 6 1.3114 nan 0.0100 0.0247
## 7 1.2981 nan 0.0100 0.0235
## 8 1.2849 nan 0.0100 0.0224
## 9 1.2723 nan 0.0100 0.0223
## 10 1.2605 nan 0.0100 0.0213
## 20 1.1560 nan 0.0100 0.0155
## 40 1.0189 nan 0.0100 0.0085
## 60 0.9355 nan 0.0100 0.0054
## 80 0.8839 nan 0.0100 0.0031
## 100 0.8496 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0290
## 2 1.3703 nan 0.0100 0.0276
## 3 1.3550 nan 0.0100 0.0271
## 4 1.3407 nan 0.0100 0.0266
## 5 1.3263 nan 0.0100 0.0253
## 6 1.3129 nan 0.0100 0.0246
## 7 1.2998 nan 0.0100 0.0231
## 8 1.2872 nan 0.0100 0.0228
## 9 1.2748 nan 0.0100 0.0224
## 10 1.2626 nan 0.0100 0.0210
## 20 1.1581 nan 0.0100 0.0156
## 40 1.0209 nan 0.0100 0.0092
## 60 0.9394 nan 0.0100 0.0056
## 80 0.8872 nan 0.0100 0.0032
## 100 0.8535 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0299
## 2 1.3698 nan 0.0100 0.0276
## 3 1.3546 nan 0.0100 0.0279
## 4 1.3395 nan 0.0100 0.0264
## 5 1.3240 nan 0.0100 0.0255
## 6 1.3100 nan 0.0100 0.0249
## 7 1.2965 nan 0.0100 0.0233
## 8 1.2832 nan 0.0100 0.0233
## 9 1.2708 nan 0.0100 0.0225
## 10 1.2583 nan 0.0100 0.0216
## 20 1.1521 nan 0.0100 0.0156
## 40 1.0095 nan 0.0100 0.0087
## 60 0.9233 nan 0.0100 0.0050
## 80 0.8691 nan 0.0100 0.0029
## 100 0.8335 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3708 nan 0.0100 0.0286
## 3 1.3545 nan 0.0100 0.0276
## 4 1.3388 nan 0.0100 0.0268
## 5 1.3245 nan 0.0100 0.0260
## 6 1.3105 nan 0.0100 0.0244
## 7 1.2973 nan 0.0100 0.0237
## 8 1.2846 nan 0.0100 0.0231
## 9 1.2722 nan 0.0100 0.0220
## 10 1.2599 nan 0.0100 0.0214
## 20 1.1535 nan 0.0100 0.0157
## 40 1.0128 nan 0.0100 0.0091
## 60 0.9279 nan 0.0100 0.0049
## 80 0.8753 nan 0.0100 0.0032
## 100 0.8414 nan 0.0100 0.0017
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0300
## 2 1.3699 nan 0.0100 0.0279
## 3 1.3539 nan 0.0100 0.0276
## 4 1.3380 nan 0.0100 0.0271
## 5 1.3227 nan 0.0100 0.0256
## 6 1.3084 nan 0.0100 0.0246
## 7 1.2941 nan 0.0100 0.0239
## 8 1.2810 nan 0.0100 0.0234
## 9 1.2679 nan 0.0100 0.0226
## 10 1.2552 nan 0.0100 0.0214
## 20 1.1469 nan 0.0100 0.0159
## 40 1.0035 nan 0.0100 0.0090
## 60 0.9165 nan 0.0100 0.0051
## 80 0.8612 nan 0.0100 0.0031
## 100 0.8246 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0299
## 2 1.3700 nan 0.0100 0.0285
## 3 1.3549 nan 0.0100 0.0278
## 4 1.3395 nan 0.0100 0.0264
## 5 1.3238 nan 0.0100 0.0261
## 6 1.3096 nan 0.0100 0.0241
## 7 1.2963 nan 0.0100 0.0239
## 8 1.2829 nan 0.0100 0.0234
## 9 1.2700 nan 0.0100 0.0231
## 10 1.2578 nan 0.0100 0.0212
## 20 1.1522 nan 0.0100 0.0162
## 40 1.0109 nan 0.0100 0.0092
## 60 0.9240 nan 0.0100 0.0054
## 80 0.8692 nan 0.0100 0.0028
## 100 0.8329 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2567
## 2 1.2386 nan 0.1000 0.1760
## 3 1.1321 nan 0.1000 0.1270
## 4 1.0555 nan 0.1000 0.0882
## 5 1.0015 nan 0.1000 0.0695
## 6 0.9590 nan 0.1000 0.0526
## 7 0.9236 nan 0.1000 0.0408
## 8 0.8933 nan 0.1000 0.0318
## 9 0.8718 nan 0.1000 0.0174
## 10 0.8537 nan 0.1000 0.0188
## 20 0.7852 nan 0.1000 0.0035
## 40 0.7476 nan 0.1000 -0.0018
## 60 0.7366 nan 0.1000 -0.0010
## 80 0.7308 nan 0.1000 -0.0029
## 100 0.7278 nan 0.1000 -0.0053
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2615
## 2 1.2461 nan 0.1000 0.1788
## 3 1.1403 nan 0.1000 0.1312
## 4 1.0646 nan 0.1000 0.0979
## 5 1.0043 nan 0.1000 0.0708
## 6 0.9614 nan 0.1000 0.0544
## 7 0.9272 nan 0.1000 0.0441
## 8 0.9001 nan 0.1000 0.0326
## 9 0.8794 nan 0.1000 0.0242
## 10 0.8618 nan 0.1000 0.0194
## 20 0.7935 nan 0.1000 0.0022
## 40 0.7651 nan 0.1000 -0.0010
## 60 0.7522 nan 0.1000 -0.0037
## 80 0.7477 nan 0.1000 -0.0051
## 100 0.7441 nan 0.1000 -0.0030
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2528
## 2 1.2285 nan 0.1000 0.1734
## 3 1.1231 nan 0.1000 0.1231
## 4 1.0442 nan 0.1000 0.0907
## 5 0.9891 nan 0.1000 0.0680
## 6 0.9452 nan 0.1000 0.0529
## 7 0.9125 nan 0.1000 0.0403
## 8 0.8847 nan 0.1000 0.0272
## 9 0.8601 nan 0.1000 0.0203
## 10 0.8425 nan 0.1000 0.0143
## 20 0.7647 nan 0.1000 -0.0046
## 40 0.7219 nan 0.1000 -0.0066
## 60 0.7025 nan 0.1000 -0.0047
## 80 0.6892 nan 0.1000 -0.0097
## 100 0.6801 nan 0.1000 -0.0042
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2588
## 2 1.2355 nan 0.1000 0.1726
## 3 1.1314 nan 0.1000 0.1270
## 4 1.0535 nan 0.1000 0.0939
## 5 0.9951 nan 0.1000 0.0685
## 6 0.9529 nan 0.1000 0.0540
## 7 0.9175 nan 0.1000 0.0414
## 8 0.8924 nan 0.1000 0.0343
## 9 0.8714 nan 0.1000 0.0248
## 10 0.8532 nan 0.1000 0.0168
## 20 0.7734 nan 0.1000 0.0026
## 40 0.7416 nan 0.1000 -0.0065
## 60 0.7235 nan 0.1000 -0.0088
## 80 0.7134 nan 0.1000 -0.0067
## 100 0.7056 nan 0.1000 -0.0075
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2565
## 2 1.2329 nan 0.1000 0.1620
## 3 1.1242 nan 0.1000 0.1245
## 4 1.0431 nan 0.1000 0.0932
## 5 0.9861 nan 0.1000 0.0577
## 6 0.9375 nan 0.1000 0.0466
## 7 0.9033 nan 0.1000 0.0353
## 8 0.8760 nan 0.1000 0.0318
## 9 0.8517 nan 0.1000 0.0230
## 10 0.8332 nan 0.1000 0.0185
## 20 0.7466 nan 0.1000 -0.0005
## 40 0.7013 nan 0.1000 -0.0064
## 60 0.6769 nan 0.1000 -0.0072
## 80 0.6600 nan 0.1000 -0.0091
## 100 0.6470 nan 0.1000 -0.0089
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2550
## 2 1.2359 nan 0.1000 0.1739
## 3 1.1296 nan 0.1000 0.1280
## 4 1.0484 nan 0.1000 0.0921
## 5 0.9908 nan 0.1000 0.0682
## 6 0.9473 nan 0.1000 0.0549
## 7 0.9122 nan 0.1000 0.0397
## 8 0.8843 nan 0.1000 0.0285
## 9 0.8636 nan 0.1000 0.0214
## 10 0.8460 nan 0.1000 0.0161
## 20 0.7650 nan 0.1000 0.0021
## 40 0.7232 nan 0.1000 -0.0075
## 60 0.6994 nan 0.1000 -0.0112
## 80 0.6836 nan 0.1000 -0.0077
## 100 0.6722 nan 0.1000 -0.0073## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0293
## 2 1.3694 nan 0.0100 0.0281
## 3 1.3538 nan 0.0100 0.0273
## 4 1.3389 nan 0.0100 0.0259
## 5 1.3248 nan 0.0100 0.0255
## 6 1.3105 nan 0.0100 0.0243
## 7 1.2968 nan 0.0100 0.0237
## 8 1.2840 nan 0.0100 0.0230
## 9 1.2715 nan 0.0100 0.0221
## 10 1.2591 nan 0.0100 0.0207
## 20 1.1562 nan 0.0100 0.0157
## 40 1.0188 nan 0.0100 0.0084
## 60 0.9366 nan 0.0100 0.0050
## 80 0.8859 nan 0.0100 0.0032
## 100 0.8523 nan 0.0100 0.0017## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0292
## 2 1.3696 nan 0.0100 0.0273
## 3 1.3544 nan 0.0100 0.0272
## 4 1.3395 nan 0.0100 0.0264
## 5 1.3254 nan 0.0100 0.0249
## 6 1.3108 nan 0.0100 0.0243
## 7 1.2981 nan 0.0100 0.0237
## 8 1.2853 nan 0.0100 0.0223
## 9 1.2729 nan 0.0100 0.0224
## 10 1.2605 nan 0.0100 0.0212
## 20 1.1576 nan 0.0100 0.0158
## 40 1.0208 nan 0.0100 0.0087
## 60 0.9389 nan 0.0100 0.0054
## 80 0.8876 nan 0.0100 0.0031
## 100 0.8544 nan 0.0100 0.0021## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0286
## 2 1.3699 nan 0.0100 0.0270
## 3 1.3547 nan 0.0100 0.0272
## 4 1.3402 nan 0.0100 0.0255
## 5 1.3254 nan 0.0100 0.0255
## 6 1.3110 nan 0.0100 0.0243
## 7 1.2968 nan 0.0100 0.0234
## 8 1.2828 nan 0.0100 0.0230
## 9 1.2700 nan 0.0100 0.0220
## 10 1.2576 nan 0.0100 0.0217
## 20 1.1521 nan 0.0100 0.0156
## 40 1.0112 nan 0.0100 0.0085
## 60 0.9264 nan 0.0100 0.0050
## 80 0.8727 nan 0.0100 0.0031
## 100 0.8371 nan 0.0100 0.0020## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0292
## 2 1.3701 nan 0.0100 0.0281
## 3 1.3539 nan 0.0100 0.0273
## 4 1.3390 nan 0.0100 0.0267
## 5 1.3247 nan 0.0100 0.0252
## 6 1.3110 nan 0.0100 0.0245
## 7 1.2970 nan 0.0100 0.0232
## 8 1.2835 nan 0.0100 0.0229
## 9 1.2706 nan 0.0100 0.0221
## 10 1.2584 nan 0.0100 0.0217
## 20 1.1541 nan 0.0100 0.0158
## 40 1.0134 nan 0.0100 0.0090
## 60 0.9288 nan 0.0100 0.0053
## 80 0.8763 nan 0.0100 0.0034
## 100 0.8407 nan 0.0100 0.0021## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0289
## 2 1.3703 nan 0.0100 0.0283
## 3 1.3545 nan 0.0100 0.0276
## 4 1.3393 nan 0.0100 0.0268
## 5 1.3240 nan 0.0100 0.0259
## 6 1.3100 nan 0.0100 0.0250
## 7 1.2961 nan 0.0100 0.0233
## 8 1.2835 nan 0.0100 0.0232
## 9 1.2700 nan 0.0100 0.0229
## 10 1.2573 nan 0.0100 0.0212
## 20 1.1501 nan 0.0100 0.0156
## 40 1.0058 nan 0.0100 0.0089
## 60 0.9189 nan 0.0100 0.0055
## 80 0.8637 nan 0.0100 0.0030
## 100 0.8263 nan 0.0100 0.0016## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3701 nan 0.0100 0.0275
## 3 1.3548 nan 0.0100 0.0272
## 4 1.3397 nan 0.0100 0.0261
## 5 1.3255 nan 0.0100 0.0255
## 6 1.3112 nan 0.0100 0.0250
## 7 1.2973 nan 0.0100 0.0238
## 8 1.2839 nan 0.0100 0.0230
## 9 1.2718 nan 0.0100 0.0227
## 10 1.2592 nan 0.0100 0.0213
## 20 1.1522 nan 0.0100 0.0159
## 40 1.0101 nan 0.0100 0.0084
## 60 0.9241 nan 0.0100 0.0052
## 80 0.8692 nan 0.0100 0.0032
## 100 0.8328 nan 0.0100 0.0016## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2521
## 2 1.2325 nan 0.1000 0.1715
## 3 1.1308 nan 0.1000 0.1252
## 4 1.0586 nan 0.1000 0.0935
## 5 0.9987 nan 0.1000 0.0673
## 6 0.9566 nan 0.1000 0.0533
## 7 0.9222 nan 0.1000 0.0359
## 8 0.8957 nan 0.1000 0.0304
## 9 0.8771 nan 0.1000 0.0234
## 10 0.8618 nan 0.1000 0.0207
## 20 0.7875 nan 0.1000 0.0003
## 40 0.7568 nan 0.1000 -0.0018
## 60 0.7433 nan 0.1000 -0.0009
## 80 0.7371 nan 0.1000 -0.0040
## 100 0.7333 nan 0.1000 -0.0067## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2592
## 2 1.2424 nan 0.1000 0.1802
## 3 1.1387 nan 0.1000 0.1276
## 4 1.0624 nan 0.1000 0.0966
## 5 1.0030 nan 0.1000 0.0707
## 6 0.9575 nan 0.1000 0.0532
## 7 0.9250 nan 0.1000 0.0390
## 8 0.9001 nan 0.1000 0.0288
## 9 0.8820 nan 0.1000 0.0247
## 10 0.8644 nan 0.1000 0.0161
## 20 0.7924 nan 0.1000 0.0003
## 40 0.7660 nan 0.1000 -0.0042
## 60 0.7570 nan 0.1000 -0.0064
## 80 0.7509 nan 0.1000 -0.0017
## 100 0.7485 nan 0.1000 -0.0036## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2461
## 2 1.2330 nan 0.1000 0.1728
## 3 1.1301 nan 0.1000 0.1264
## 4 1.0503 nan 0.1000 0.0916
## 5 0.9931 nan 0.1000 0.0714
## 6 0.9494 nan 0.1000 0.0545
## 7 0.9148 nan 0.1000 0.0382
## 8 0.8880 nan 0.1000 0.0284
## 9 0.8662 nan 0.1000 0.0217
## 10 0.8476 nan 0.1000 0.0187
## 20 0.7666 nan 0.1000 -0.0024
## 40 0.7260 nan 0.1000 -0.0044
## 60 0.7073 nan 0.1000 -0.0035
## 80 0.6962 nan 0.1000 -0.0048
## 100 0.6837 nan 0.1000 -0.0082## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2584
## 2 1.2376 nan 0.1000 0.1741
## 3 1.1304 nan 0.1000 0.1263
## 4 1.0526 nan 0.1000 0.0964
## 5 0.9977 nan 0.1000 0.0684
## 6 0.9515 nan 0.1000 0.0538
## 7 0.9183 nan 0.1000 0.0395
## 8 0.8910 nan 0.1000 0.0315
## 9 0.8689 nan 0.1000 0.0197
## 10 0.8502 nan 0.1000 0.0192
## 20 0.7748 nan 0.1000 -0.0045
## 40 0.7428 nan 0.1000 -0.0034
## 60 0.7293 nan 0.1000 -0.0061
## 80 0.7186 nan 0.1000 -0.0119
## 100 0.7093 nan 0.1000 -0.0061## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2572
## 2 1.2284 nan 0.1000 0.1724
## 3 1.1199 nan 0.1000 0.1226
## 4 1.0429 nan 0.1000 0.0878
## 5 0.9832 nan 0.1000 0.0694
## 6 0.9383 nan 0.1000 0.0535
## 7 0.9064 nan 0.1000 0.0389
## 8 0.8770 nan 0.1000 0.0312
## 9 0.8535 nan 0.1000 0.0176
## 10 0.8334 nan 0.1000 0.0127
## 20 0.7533 nan 0.1000 -0.0022
## 40 0.7067 nan 0.1000 -0.0075
## 60 0.6838 nan 0.1000 -0.0104
## 80 0.6670 nan 0.1000 -0.0070
## 100 0.6511 nan 0.1000 -0.0051## Warning in (function (x, y, offset = NULL, misc = NULL, distribution =
## "bernoulli", : variable 27: Vehicle_type3 has no variation.## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2521
## 2 1.2299 nan 0.1000 0.1682
## 3 1.1256 nan 0.1000 0.1195
## 4 1.0526 nan 0.1000 0.0934
## 5 0.9967 nan 0.1000 0.0699
## 6 0.9517 nan 0.1000 0.0544
## 7 0.9171 nan 0.1000 0.0422
## 8 0.8864 nan 0.1000 0.0269
## 9 0.8627 nan 0.1000 0.0245
## 10 0.8431 nan 0.1000 0.0188
## 20 0.7666 nan 0.1000 -0.0028
## 40 0.7237 nan 0.1000 -0.0088
## 60 0.7045 nan 0.1000 -0.0074
## 80 0.6895 nan 0.1000 -0.0069
## 100 0.6785 nan 0.1000 -0.0104
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0297
## 2 1.3699 nan 0.0100 0.0283
## 3 1.3546 nan 0.0100 0.0280
## 4 1.3391 nan 0.0100 0.0269
## 5 1.3248 nan 0.0100 0.0256
## 6 1.3106 nan 0.0100 0.0247
## 7 1.2977 nan 0.0100 0.0238
## 8 1.2847 nan 0.0100 0.0232
## 9 1.2716 nan 0.0100 0.0225
## 10 1.2593 nan 0.0100 0.0206
## 20 1.1548 nan 0.0100 0.0157
## 40 1.0165 nan 0.0100 0.0091
## 60 0.9329 nan 0.0100 0.0049
## 80 0.8802 nan 0.0100 0.0034
## 100 0.8465 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0295
## 2 1.3705 nan 0.0100 0.0284
## 3 1.3540 nan 0.0100 0.0277
## 4 1.3392 nan 0.0100 0.0266
## 5 1.3242 nan 0.0100 0.0248
## 6 1.3105 nan 0.0100 0.0247
## 7 1.2973 nan 0.0100 0.0238
## 8 1.2832 nan 0.0100 0.0230
## 9 1.2702 nan 0.0100 0.0222
## 10 1.2581 nan 0.0100 0.0212
## 20 1.1546 nan 0.0100 0.0159
## 40 1.0168 nan 0.0100 0.0087
## 60 0.9343 nan 0.0100 0.0055
## 80 0.8826 nan 0.0100 0.0032
## 100 0.8486 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0300
## 2 1.3692 nan 0.0100 0.0284
## 3 1.3535 nan 0.0100 0.0282
## 4 1.3391 nan 0.0100 0.0271
## 5 1.3247 nan 0.0100 0.0255
## 6 1.3105 nan 0.0100 0.0241
## 7 1.2971 nan 0.0100 0.0239
## 8 1.2831 nan 0.0100 0.0232
## 9 1.2705 nan 0.0100 0.0221
## 10 1.2571 nan 0.0100 0.0217
## 20 1.1507 nan 0.0100 0.0156
## 40 1.0081 nan 0.0100 0.0090
## 60 0.9220 nan 0.0100 0.0049
## 80 0.8685 nan 0.0100 0.0026
## 100 0.8332 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0304
## 2 1.3696 nan 0.0100 0.0290
## 3 1.3547 nan 0.0100 0.0271
## 4 1.3397 nan 0.0100 0.0267
## 5 1.3248 nan 0.0100 0.0261
## 6 1.3103 nan 0.0100 0.0254
## 7 1.2966 nan 0.0100 0.0237
## 8 1.2833 nan 0.0100 0.0228
## 9 1.2695 nan 0.0100 0.0229
## 10 1.2571 nan 0.0100 0.0209
## 20 1.1503 nan 0.0100 0.0159
## 40 1.0100 nan 0.0100 0.0088
## 60 0.9264 nan 0.0100 0.0054
## 80 0.8735 nan 0.0100 0.0034
## 100 0.8378 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3700 nan 0.0100 0.0285
## 3 1.3535 nan 0.0100 0.0280
## 4 1.3377 nan 0.0100 0.0267
## 5 1.3231 nan 0.0100 0.0261
## 6 1.3084 nan 0.0100 0.0247
## 7 1.2948 nan 0.0100 0.0243
## 8 1.2808 nan 0.0100 0.0228
## 9 1.2678 nan 0.0100 0.0228
## 10 1.2553 nan 0.0100 0.0216
## 20 1.1470 nan 0.0100 0.0155
## 40 1.0026 nan 0.0100 0.0087
## 60 0.9166 nan 0.0100 0.0052
## 80 0.8605 nan 0.0100 0.0033
## 100 0.8235 nan 0.0100 0.0025
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0298
## 2 1.3701 nan 0.0100 0.0291
## 3 1.3540 nan 0.0100 0.0281
## 4 1.3378 nan 0.0100 0.0270
## 5 1.3233 nan 0.0100 0.0252
## 6 1.3095 nan 0.0100 0.0256
## 7 1.2951 nan 0.0100 0.0239
## 8 1.2821 nan 0.0100 0.0233
## 9 1.2694 nan 0.0100 0.0219
## 10 1.2570 nan 0.0100 0.0215
## 20 1.1480 nan 0.0100 0.0160
## 40 1.0058 nan 0.0100 0.0089
## 60 0.9200 nan 0.0100 0.0052
## 80 0.8657 nan 0.0100 0.0028
## 100 0.8291 nan 0.0100 0.0017
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2546
## 2 1.2336 nan 0.1000 0.1743
## 3 1.1302 nan 0.1000 0.1269
## 4 1.0550 nan 0.1000 0.0934
## 5 0.9972 nan 0.1000 0.0700
## 6 0.9524 nan 0.1000 0.0475
## 7 0.9159 nan 0.1000 0.0342
## 8 0.8894 nan 0.1000 0.0248
## 9 0.8687 nan 0.1000 0.0192
## 10 0.8513 nan 0.1000 0.0130
## 20 0.7799 nan 0.1000 0.0021
## 40 0.7493 nan 0.1000 -0.0050
## 60 0.7369 nan 0.1000 -0.0035
## 80 0.7323 nan 0.1000 -0.0039
## 100 0.7279 nan 0.1000 -0.0039
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2585
## 2 1.2436 nan 0.1000 0.1847
## 3 1.1372 nan 0.1000 0.1267
## 4 1.0570 nan 0.1000 0.0890
## 5 0.9956 nan 0.1000 0.0680
## 6 0.9571 nan 0.1000 0.0520
## 7 0.9206 nan 0.1000 0.0409
## 8 0.8950 nan 0.1000 0.0296
## 9 0.8725 nan 0.1000 0.0260
## 10 0.8547 nan 0.1000 0.0198
## 20 0.7867 nan 0.1000 0.0005
## 40 0.7589 nan 0.1000 -0.0090
## 60 0.7473 nan 0.1000 -0.0045
## 80 0.7423 nan 0.1000 -0.0048
## 100 0.7400 nan 0.1000 -0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2569
## 2 1.2300 nan 0.1000 0.1774
## 3 1.1250 nan 0.1000 0.1273
## 4 1.0497 nan 0.1000 0.0916
## 5 0.9884 nan 0.1000 0.0701
## 6 0.9433 nan 0.1000 0.0490
## 7 0.9097 nan 0.1000 0.0369
## 8 0.8835 nan 0.1000 0.0311
## 9 0.8593 nan 0.1000 0.0219
## 10 0.8407 nan 0.1000 0.0187
## 20 0.7625 nan 0.1000 -0.0016
## 40 0.7250 nan 0.1000 -0.0079
## 60 0.7141 nan 0.1000 -0.0098
## 80 0.7028 nan 0.1000 -0.0060
## 100 0.6930 nan 0.1000 -0.0044
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2546
## 2 1.2319 nan 0.1000 0.1798
## 3 1.1265 nan 0.1000 0.1245
## 4 1.0491 nan 0.1000 0.0907
## 5 0.9898 nan 0.1000 0.0696
## 6 0.9448 nan 0.1000 0.0498
## 7 0.9120 nan 0.1000 0.0364
## 8 0.8845 nan 0.1000 0.0307
## 9 0.8625 nan 0.1000 0.0250
## 10 0.8458 nan 0.1000 0.0184
## 20 0.7723 nan 0.1000 -0.0049
## 40 0.7374 nan 0.1000 -0.0044
## 60 0.7236 nan 0.1000 -0.0035
## 80 0.7157 nan 0.1000 -0.0039
## 100 0.7071 nan 0.1000 -0.0100
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2602
## 2 1.2336 nan 0.1000 0.1846
## 3 1.1276 nan 0.1000 0.1281
## 4 1.0457 nan 0.1000 0.0945
## 5 0.9855 nan 0.1000 0.0651
## 6 0.9366 nan 0.1000 0.0523
## 7 0.9034 nan 0.1000 0.0395
## 8 0.8737 nan 0.1000 0.0294
## 9 0.8495 nan 0.1000 0.0209
## 10 0.8318 nan 0.1000 0.0147
## 20 0.7490 nan 0.1000 -0.0030
## 40 0.7041 nan 0.1000 -0.0064
## 60 0.6844 nan 0.1000 -0.0106
## 80 0.6687 nan 0.1000 -0.0088
## 100 0.6540 nan 0.1000 -0.0088
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2609
## 2 1.2310 nan 0.1000 0.1738
## 3 1.1313 nan 0.1000 0.1289
## 4 1.0488 nan 0.1000 0.0985
## 5 0.9905 nan 0.1000 0.0696
## 6 0.9455 nan 0.1000 0.0527
## 7 0.9110 nan 0.1000 0.0426
## 8 0.8826 nan 0.1000 0.0304
## 9 0.8584 nan 0.1000 0.0192
## 10 0.8403 nan 0.1000 0.0146
## 20 0.7573 nan 0.1000 -0.0033
## 40 0.7199 nan 0.1000 -0.0098
## 60 0.7026 nan 0.1000 -0.0046
## 80 0.6895 nan 0.1000 -0.0095
## 100 0.6785 nan 0.1000 -0.0092
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0296
## 2 1.3699 nan 0.0100 0.0286
## 3 1.3541 nan 0.0100 0.0263
## 4 1.3391 nan 0.0100 0.0264
## 5 1.3252 nan 0.0100 0.0254
## 6 1.3107 nan 0.0100 0.0244
## 7 1.2976 nan 0.0100 0.0237
## 8 1.2850 nan 0.0100 0.0223
## 9 1.2723 nan 0.0100 0.0223
## 10 1.2597 nan 0.0100 0.0219
## 20 1.1555 nan 0.0100 0.0159
## 40 1.0189 nan 0.0100 0.0088
## 60 0.9349 nan 0.0100 0.0052
## 80 0.8828 nan 0.0100 0.0030
## 100 0.8497 nan 0.0100 0.0022
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0293
## 2 1.3698 nan 0.0100 0.0282
## 3 1.3548 nan 0.0100 0.0269
## 4 1.3398 nan 0.0100 0.0265
## 5 1.3249 nan 0.0100 0.0257
## 6 1.3113 nan 0.0100 0.0245
## 7 1.2979 nan 0.0100 0.0239
## 8 1.2844 nan 0.0100 0.0231
## 9 1.2715 nan 0.0100 0.0222
## 10 1.2590 nan 0.0100 0.0211
## 20 1.1546 nan 0.0100 0.0155
## 40 1.0177 nan 0.0100 0.0087
## 60 0.9357 nan 0.0100 0.0052
## 80 0.8838 nan 0.0100 0.0032
## 100 0.8511 nan 0.0100 0.0020
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0291
## 2 1.3695 nan 0.0100 0.0284
## 3 1.3539 nan 0.0100 0.0275
## 4 1.3389 nan 0.0100 0.0263
## 5 1.3244 nan 0.0100 0.0248
## 6 1.3106 nan 0.0100 0.0244
## 7 1.2971 nan 0.0100 0.0242
## 8 1.2843 nan 0.0100 0.0237
## 9 1.2712 nan 0.0100 0.0222
## 10 1.2585 nan 0.0100 0.0220
## 20 1.1525 nan 0.0100 0.0162
## 40 1.0110 nan 0.0100 0.0090
## 60 0.9253 nan 0.0100 0.0052
## 80 0.8715 nan 0.0100 0.0028
## 100 0.8359 nan 0.0100 0.0016
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0302
## 2 1.3698 nan 0.0100 0.0284
## 3 1.3542 nan 0.0100 0.0270
## 4 1.3392 nan 0.0100 0.0264
## 5 1.3244 nan 0.0100 0.0256
## 6 1.3100 nan 0.0100 0.0246
## 7 1.2960 nan 0.0100 0.0241
## 8 1.2827 nan 0.0100 0.0222
## 9 1.2697 nan 0.0100 0.0220
## 10 1.2572 nan 0.0100 0.0218
## 20 1.1518 nan 0.0100 0.0158
## 40 1.0129 nan 0.0100 0.0092
## 60 0.9282 nan 0.0100 0.0053
## 80 0.8746 nan 0.0100 0.0032
## 100 0.8392 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0304
## 2 1.3696 nan 0.0100 0.0285
## 3 1.3534 nan 0.0100 0.0278
## 4 1.3379 nan 0.0100 0.0269
## 5 1.3226 nan 0.0100 0.0264
## 6 1.3078 nan 0.0100 0.0250
## 7 1.2941 nan 0.0100 0.0242
## 8 1.2804 nan 0.0100 0.0231
## 9 1.2675 nan 0.0100 0.0229
## 10 1.2550 nan 0.0100 0.0216
## 20 1.1470 nan 0.0100 0.0156
## 40 1.0037 nan 0.0100 0.0090
## 60 0.9169 nan 0.0100 0.0051
## 80 0.8610 nan 0.0100 0.0031
## 100 0.8243 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0302
## 2 1.3698 nan 0.0100 0.0286
## 3 1.3539 nan 0.0100 0.0278
## 4 1.3395 nan 0.0100 0.0273
## 5 1.3249 nan 0.0100 0.0260
## 6 1.3107 nan 0.0100 0.0251
## 7 1.2970 nan 0.0100 0.0236
## 8 1.2836 nan 0.0100 0.0232
## 9 1.2710 nan 0.0100 0.0225
## 10 1.2583 nan 0.0100 0.0220
## 20 1.1514 nan 0.0100 0.0160
## 40 1.0076 nan 0.0100 0.0089
## 60 0.9219 nan 0.0100 0.0052
## 80 0.8674 nan 0.0100 0.0032
## 100 0.8312 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2608
## 2 1.2388 nan 0.1000 0.1716
## 3 1.1291 nan 0.1000 0.1231
## 4 1.0548 nan 0.1000 0.0886
## 5 0.9954 nan 0.1000 0.0702
## 6 0.9527 nan 0.1000 0.0550
## 7 0.9205 nan 0.1000 0.0423
## 8 0.8936 nan 0.1000 0.0331
## 9 0.8727 nan 0.1000 0.0255
## 10 0.8564 nan 0.1000 0.0198
## 20 0.7844 nan 0.1000 0.0018
## 40 0.7520 nan 0.1000 -0.0020
## 60 0.7401 nan 0.1000 -0.0022
## 80 0.7340 nan 0.1000 -0.0024
## 100 0.7297 nan 0.1000 -0.0033
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2565
## 2 1.2354 nan 0.1000 0.1767
## 3 1.1300 nan 0.1000 0.1213
## 4 1.0500 nan 0.1000 0.0878
## 5 0.9961 nan 0.1000 0.0682
## 6 0.9567 nan 0.1000 0.0509
## 7 0.9258 nan 0.1000 0.0394
## 8 0.8981 nan 0.1000 0.0342
## 9 0.8753 nan 0.1000 0.0262
## 10 0.8570 nan 0.1000 0.0201
## 20 0.7910 nan 0.1000 -0.0041
## 40 0.7614 nan 0.1000 -0.0023
## 60 0.7499 nan 0.1000 -0.0024
## 80 0.7448 nan 0.1000 -0.0043
## 100 0.7421 nan 0.1000 -0.0063
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2622
## 2 1.2354 nan 0.1000 0.1812
## 3 1.1291 nan 0.1000 0.1257
## 4 1.0515 nan 0.1000 0.0897
## 5 0.9915 nan 0.1000 0.0690
## 6 0.9477 nan 0.1000 0.0538
## 7 0.9130 nan 0.1000 0.0412
## 8 0.8852 nan 0.1000 0.0295
## 9 0.8638 nan 0.1000 0.0223
## 10 0.8451 nan 0.1000 0.0195
## 20 0.7680 nan 0.1000 -0.0001
## 40 0.7254 nan 0.1000 -0.0026
## 60 0.7081 nan 0.1000 -0.0065
## 80 0.6959 nan 0.1000 -0.0052
## 100 0.6838 nan 0.1000 -0.0086
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2608
## 2 1.2359 nan 0.1000 0.1802
## 3 1.1272 nan 0.1000 0.1232
## 4 1.0461 nan 0.1000 0.0926
## 5 0.9896 nan 0.1000 0.0699
## 6 0.9452 nan 0.1000 0.0516
## 7 0.9115 nan 0.1000 0.0393
## 8 0.8844 nan 0.1000 0.0290
## 9 0.8639 nan 0.1000 0.0242
## 10 0.8467 nan 0.1000 0.0187
## 20 0.7739 nan 0.1000 -0.0021
## 40 0.7388 nan 0.1000 -0.0051
## 60 0.7240 nan 0.1000 -0.0052
## 80 0.7152 nan 0.1000 -0.0065
## 100 0.7064 nan 0.1000 -0.0055
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2585
## 2 1.2406 nan 0.1000 0.1769
## 3 1.1362 nan 0.1000 0.1334
## 4 1.0531 nan 0.1000 0.0950
## 5 0.9903 nan 0.1000 0.0686
## 6 0.9397 nan 0.1000 0.0532
## 7 0.9024 nan 0.1000 0.0362
## 8 0.8729 nan 0.1000 0.0287
## 9 0.8508 nan 0.1000 0.0211
## 10 0.8306 nan 0.1000 0.0151
## 20 0.7443 nan 0.1000 -0.0018
## 40 0.6963 nan 0.1000 -0.0075
## 60 0.6728 nan 0.1000 -0.0106
## 80 0.6584 nan 0.1000 -0.0047
## 100 0.6423 nan 0.1000 -0.0066
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2648
## 2 1.2347 nan 0.1000 0.1748
## 3 1.1288 nan 0.1000 0.1282
## 4 1.0502 nan 0.1000 0.0891
## 5 0.9903 nan 0.1000 0.0716
## 6 0.9443 nan 0.1000 0.0556
## 7 0.9083 nan 0.1000 0.0378
## 8 0.8792 nan 0.1000 0.0278
## 9 0.8572 nan 0.1000 0.0192
## 10 0.8415 nan 0.1000 0.0180
## 20 0.7618 nan 0.1000 -0.0050
## 40 0.7192 nan 0.1000 -0.0077
## 60 0.7004 nan 0.1000 -0.0084
## 80 0.6879 nan 0.1000 -0.0069
## 100 0.6758 nan 0.1000 -0.0092
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0294
## 2 1.3700 nan 0.0100 0.0279
## 3 1.3537 nan 0.0100 0.0273
## 4 1.3387 nan 0.0100 0.0261
## 5 1.3246 nan 0.0100 0.0247
## 6 1.3104 nan 0.0100 0.0239
## 7 1.2967 nan 0.0100 0.0237
## 8 1.2843 nan 0.0100 0.0227
## 9 1.2717 nan 0.0100 0.0218
## 10 1.2594 nan 0.0100 0.0217
## 20 1.1551 nan 0.0100 0.0151
## 40 1.0165 nan 0.0100 0.0089
## 60 0.9342 nan 0.0100 0.0050
## 80 0.8804 nan 0.0100 0.0029
## 100 0.8465 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0296
## 2 1.3702 nan 0.0100 0.0283
## 3 1.3553 nan 0.0100 0.0270
## 4 1.3411 nan 0.0100 0.0264
## 5 1.3265 nan 0.0100 0.0250
## 6 1.3121 nan 0.0100 0.0247
## 7 1.2982 nan 0.0100 0.0237
## 8 1.2853 nan 0.0100 0.0229
## 9 1.2732 nan 0.0100 0.0221
## 10 1.2606 nan 0.0100 0.0211
## 20 1.1564 nan 0.0100 0.0159
## 40 1.0204 nan 0.0100 0.0090
## 60 0.9366 nan 0.0100 0.0051
## 80 0.8850 nan 0.0100 0.0032
## 100 0.8511 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0300
## 2 1.3697 nan 0.0100 0.0285
## 3 1.3543 nan 0.0100 0.0274
## 4 1.3393 nan 0.0100 0.0262
## 5 1.3244 nan 0.0100 0.0253
## 6 1.3099 nan 0.0100 0.0240
## 7 1.2960 nan 0.0100 0.0241
## 8 1.2831 nan 0.0100 0.0231
## 9 1.2698 nan 0.0100 0.0230
## 10 1.2568 nan 0.0100 0.0221
## 20 1.1508 nan 0.0100 0.0158
## 40 1.0086 nan 0.0100 0.0088
## 60 0.9223 nan 0.0100 0.0054
## 80 0.8675 nan 0.0100 0.0034
## 100 0.8305 nan 0.0100 0.0018
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0302
## 2 1.3695 nan 0.0100 0.0285
## 3 1.3537 nan 0.0100 0.0277
## 4 1.3381 nan 0.0100 0.0262
## 5 1.3234 nan 0.0100 0.0256
## 6 1.3094 nan 0.0100 0.0248
## 7 1.2960 nan 0.0100 0.0235
## 8 1.2826 nan 0.0100 0.0234
## 9 1.2695 nan 0.0100 0.0225
## 10 1.2569 nan 0.0100 0.0209
## 20 1.1506 nan 0.0100 0.0157
## 40 1.0115 nan 0.0100 0.0089
## 60 0.9268 nan 0.0100 0.0054
## 80 0.8732 nan 0.0100 0.0032
## 100 0.8384 nan 0.0100 0.0021
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0297
## 2 1.3697 nan 0.0100 0.0286
## 3 1.3534 nan 0.0100 0.0281
## 4 1.3379 nan 0.0100 0.0277
## 5 1.3230 nan 0.0100 0.0262
## 6 1.3080 nan 0.0100 0.0245
## 7 1.2943 nan 0.0100 0.0240
## 8 1.2810 nan 0.0100 0.0229
## 9 1.2679 nan 0.0100 0.0222
## 10 1.2554 nan 0.0100 0.0220
## 20 1.1482 nan 0.0100 0.0164
## 40 1.0029 nan 0.0100 0.0090
## 60 0.9135 nan 0.0100 0.0053
## 80 0.8567 nan 0.0100 0.0031
## 100 0.8188 nan 0.0100 0.0019
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0297
## 2 1.3695 nan 0.0100 0.0289
## 3 1.3528 nan 0.0100 0.0276
## 4 1.3381 nan 0.0100 0.0267
## 5 1.3233 nan 0.0100 0.0263
## 6 1.3092 nan 0.0100 0.0246
## 7 1.2953 nan 0.0100 0.0240
## 8 1.2817 nan 0.0100 0.0231
## 9 1.2684 nan 0.0100 0.0226
## 10 1.2559 nan 0.0100 0.0215
## 20 1.1487 nan 0.0100 0.0156
## 40 1.0056 nan 0.0100 0.0086
## 60 0.9192 nan 0.0100 0.0044
## 80 0.8649 nan 0.0100 0.0033
## 100 0.8297 nan 0.0100 0.0016
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2552
## 2 1.2363 nan 0.1000 0.1737
## 3 1.1321 nan 0.1000 0.1254
## 4 1.0533 nan 0.1000 0.0908
## 5 0.9977 nan 0.1000 0.0688
## 6 0.9549 nan 0.1000 0.0545
## 7 0.9177 nan 0.1000 0.0364
## 8 0.8921 nan 0.1000 0.0319
## 9 0.8713 nan 0.1000 0.0240
## 10 0.8556 nan 0.1000 0.0141
## 20 0.7811 nan 0.1000 0.0033
## 40 0.7470 nan 0.1000 -0.0043
## 60 0.7338 nan 0.1000 -0.0040
## 80 0.7256 nan 0.1000 -0.0043
## 100 0.7225 nan 0.1000 -0.0033
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2500
## 2 1.2316 nan 0.1000 0.1755
## 3 1.1321 nan 0.1000 0.1279
## 4 1.0545 nan 0.1000 0.0878
## 5 0.9951 nan 0.1000 0.0681
## 6 0.9545 nan 0.1000 0.0495
## 7 0.9222 nan 0.1000 0.0409
## 8 0.8957 nan 0.1000 0.0281
## 9 0.8744 nan 0.1000 0.0224
## 10 0.8586 nan 0.1000 0.0186
## 20 0.7881 nan 0.1000 0.0022
## 40 0.7622 nan 0.1000 -0.0033
## 60 0.7521 nan 0.1000 -0.0049
## 80 0.7479 nan 0.1000 -0.0017
## 100 0.7438 nan 0.1000 -0.0043
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2542
## 2 1.2289 nan 0.1000 0.1718
## 3 1.1238 nan 0.1000 0.1213
## 4 1.0490 nan 0.1000 0.0939
## 5 0.9899 nan 0.1000 0.0632
## 6 0.9431 nan 0.1000 0.0518
## 7 0.9105 nan 0.1000 0.0349
## 8 0.8808 nan 0.1000 0.0266
## 9 0.8591 nan 0.1000 0.0202
## 10 0.8408 nan 0.1000 0.0127
## 20 0.7604 nan 0.1000 0.0032
## 40 0.7200 nan 0.1000 -0.0060
## 60 0.7000 nan 0.1000 -0.0057
## 80 0.6904 nan 0.1000 -0.0076
## 100 0.6824 nan 0.1000 -0.0078
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2643
## 2 1.2362 nan 0.1000 0.1769
## 3 1.1266 nan 0.1000 0.1248
## 4 1.0492 nan 0.1000 0.0888
## 5 0.9902 nan 0.1000 0.0691
## 6 0.9473 nan 0.1000 0.0465
## 7 0.9144 nan 0.1000 0.0396
## 8 0.8875 nan 0.1000 0.0282
## 9 0.8657 nan 0.1000 0.0227
## 10 0.8476 nan 0.1000 0.0150
## 20 0.7714 nan 0.1000 -0.0006
## 40 0.7389 nan 0.1000 -0.0053
## 60 0.7205 nan 0.1000 -0.0065
## 80 0.7105 nan 0.1000 -0.0059
## 100 0.7051 nan 0.1000 -0.0078
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2569
## 2 1.2336 nan 0.1000 0.1781
## 3 1.1194 nan 0.1000 0.1255
## 4 1.0431 nan 0.1000 0.0966
## 5 0.9818 nan 0.1000 0.0665
## 6 0.9340 nan 0.1000 0.0444
## 7 0.8980 nan 0.1000 0.0309
## 8 0.8702 nan 0.1000 0.0319
## 9 0.8453 nan 0.1000 0.0250
## 10 0.8252 nan 0.1000 0.0192
## 20 0.7421 nan 0.1000 -0.0016
## 40 0.6952 nan 0.1000 -0.0093
## 60 0.6708 nan 0.1000 -0.0049
## 80 0.6560 nan 0.1000 -0.0095
## 100 0.6401 nan 0.1000 -0.0081
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.1000 0.2535
## 2 1.2253 nan 0.1000 0.1764
## 3 1.1199 nan 0.1000 0.1275
## 4 1.0450 nan 0.1000 0.0907
## 5 0.9872 nan 0.1000 0.0683
## 6 0.9397 nan 0.1000 0.0487
## 7 0.9030 nan 0.1000 0.0380
## 8 0.8750 nan 0.1000 0.0298
## 9 0.8541 nan 0.1000 0.0205
## 10 0.8368 nan 0.1000 0.0194
## 20 0.7581 nan 0.1000 -0.0031
## 40 0.7204 nan 0.1000 -0.0081
## 60 0.7001 nan 0.1000 -0.0086
## 80 0.6873 nan 0.1000 -0.0048
## 100 0.6753 nan 0.1000 -0.0070
##
## Iter TrainDeviance ValidDeviance StepSize Improve
## 1 1.3863 nan 0.0100 0.0297
## 2 1.3697 nan 0.0100 0.0292
## 3 1.3527 nan 0.0100 0.0275
## 4 1.3376 nan 0.0100 0.0266
## 5 1.3234 nan 0.0100 0.0263
## 6 1.3089 nan 0.0100 0.0242
## 7 1.2948 nan 0.0100 0.0244
## 8 1.2812 nan 0.0100 0.0231
## 9 1.2680 nan 0.0100 0.0225
## 10 1.2555 nan 0.0100 0.0215
## 20 1.1496 nan 0.0100 0.0160
## 40 1.0053 nan 0.0100 0.0089
## 60 0.9181 nan 0.0100 0.0056
## 80 0.8615 nan 0.0100 0.0034
## 100 0.8239 nan 0.0100 0.0019## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.
## Warning in .local(x, ...): Variable(s) `' constant. Cannot scale data.# Extract and compare results
model_summaries <- lapply(results, summary)
model_summaries## [[1]]
## Length Class Mode
## call 4 -none- call
## type 1 -none- character
## predicted 1030 factor numeric
## err.rate 2500 -none- numeric
## confusion 20 -none- numeric
## votes 4120 matrix numeric
## oob.times 1030 -none- numeric
## classes 4 -none- character
## importance 48 -none- numeric
## importanceSD 0 -none- NULL
## localImportance 0 -none- NULL
## proximity 0 -none- NULL
## ntree 1 -none- numeric
## mtry 1 -none- numeric
## forest 14 -none- list
## y 1030 factor numeric
## test 0 -none- NULL
## inbag 0 -none- NULL
## xNames 48 -none- character
## problemType 1 -none- character
## tuneValue 1 data.frame list
## obsLevels 4 -none- character
## param 0 -none- list
##
## [[2]]
## var rel.inf
## Vehicle_type10 Vehicle_type10 23.63476297
## Collision_type9 Collision_type9 8.87518157
## Traffic_control4 Traffic_control4 7.89691449
## Collision_type7 Collision_type7 5.85085455
## Vehicle_type4 Vehicle_type4 5.81253471
## Light3 Light3 5.30548854
## Collision_type8 Collision_type8 5.26028866
## Vehicle_type9 Vehicle_type9 5.13767670
## Vehicle_type7 Vehicle_type7 3.82663301
## Collision_type11 Collision_type11 3.45181118
## Collision_type2 Collision_type2 2.51384224
## Vehicle_damage2 Vehicle_damage2 2.00726435
## Light2 Light2 1.89189495
## Vehicle_type8 Vehicle_type8 1.78065739
## Day_of_week3 Day_of_week3 1.70246496
## Traffic_control8 Traffic_control8 1.60590739
## Day_of_week2 Day_of_week2 1.46779756
## Day_of_week5 Day_of_week5 1.32366214
## Day_of_week4 Day_of_week4 1.25300611
## Vehicle_damage4 Vehicle_damage4 1.19982771
## Traffic_control3 Traffic_control3 1.16674226
## Vehicle_type12 Vehicle_type12 1.11993485
## Vehicle_type14 Vehicle_type14 1.06849384
## Vehicle_type19 Vehicle_type19 0.98531269
## Light4 Light4 0.85477524
## Vehicle_damage8 Vehicle_damage8 0.81041398
## Collision_type4 Collision_type4 0.57068814
## Day_of_week7 Day_of_week7 0.54847166
## Traffic_control2 Traffic_control2 0.45655522
## Day_of_week6 Day_of_week6 0.25484061
## Traffic_control6 Traffic_control6 0.17149790
## Vehicle_damage7 Vehicle_damage7 0.14542573
## Vehicle_type13 Vehicle_type13 0.04837675
## Traffic_control5 Traffic_control5 0.00000000
## Traffic_control7 Traffic_control7 0.00000000
## Collision_type3 Collision_type3 0.00000000
## Collision_type5 Collision_type5 0.00000000
## Collision_type6 Collision_type6 0.00000000
## Vehicle_type2 Vehicle_type2 0.00000000
## Vehicle_type3 Vehicle_type3 0.00000000
## Vehicle_type5 Vehicle_type5 0.00000000
## Vehicle_type6 Vehicle_type6 0.00000000
## Vehicle_type11 Vehicle_type11 0.00000000
## Vehicle_type15 Vehicle_type15 0.00000000
## Vehicle_type16 Vehicle_type16 0.00000000
## Vehicle_damage3 Vehicle_damage3 0.00000000
## Vehicle_damage5 Vehicle_damage5 0.00000000
## Vehicle_damage6 Vehicle_damage6 0.00000000
##
## [[3]]
## Length Class Mode
## 1 ksvm S4# Assuming you have a data frame cramers_v_df with columns 'Variable' and 'Cramers_V'
cramers_v_df <- data.frame(
Variable = c("Vehicle_damage", "Accident_severity", "Light", "Day_of_week"),
Cramers_V = c(0.260283, 0.240894, 0.089493, 0.056778)
)
# Load the ggplot2 library for plotting
library(ggplot2)
# Create the bar plot
ggplot(cramers_v_df, aes(x = reorder(Variable, Cramers_V), y = Cramers_V)) +
geom_bar(stat = "identity", fill = "skyblue") +
coord_flip() + # Flip coordinates for a horizontal bar plot
labs(x = "Variables", y = "Cramer's V", title = "Association with Collision Type") +
theme_minimal() # Use a minimal theme for a clean look
# Display the plot
ggsave("cramers_v_association_plot.png", width = 10, height = 6, dpi = 300)# Load the necessary library for visualizing categorical data
library(vcd)## Warning: package 'vcd' was built under R version 4.3.2## Loading required package: grid# Ensure that 'ata' is the name of your data frame and it is used consistently
# Convert all character and integer columns to factors, handling NA values
ata$Collision_type <- factor(ata$Collision_type, exclude = NULL)
ata[sapply(ata, is.character) | sapply(ata, is.integer)] <-
lapply(ata[sapply(ata, is.character) | sapply(ata, is.integer)], function(x) factor(x, exclude = NULL))
# Initialize an empty list to store results
results <- list()
# Check the results
results## list()