Лабораторная работа 2
2025-04-10
Задание 1
Установить пакет CARET, выполнить команду names(getModelInfo()), ознакомиться со списком доступных методов выбора признаков. Выполните графический разведочный анализ данных с использование функции featurePlot() для набора данных из справочного файла пакета CARET: x <- matrix(rnorm(505),ncol=5) y <- factor(rep(c(“A”, “B”), 25)) Сохранить полученные графики в .jpg файлы. Сделать выводы.
Установка и загрузка пакета
if(!require(caret))
{
install.packages("caret")
library(caret)
}## Загрузка требуемого пакета: caret## Warning: пакет 'caret' был собран под R версии 4.4.3## Загрузка требуемого пакета: ggplot2## Загрузка требуемого пакета: latticeВвыведем список моделей, который использует пакет caret
names(getModelInfo())## [1] "ada" "AdaBag" "AdaBoost.M1"
## [4] "adaboost" "amdai" "ANFIS"
## [7] "avNNet" "awnb" "awtan"
## [10] "bag" "bagEarth" "bagEarthGCV"
## [13] "bagFDA" "bagFDAGCV" "bam"
## [16] "bartMachine" "bayesglm" "binda"
## [19] "blackboost" "blasso" "blassoAveraged"
## [22] "bridge" "brnn" "BstLm"
## [25] "bstSm" "bstTree" "C5.0"
## [28] "C5.0Cost" "C5.0Rules" "C5.0Tree"
## [31] "cforest" "chaid" "CSimca"
## [34] "ctree" "ctree2" "cubist"
## [37] "dda" "deepboost" "DENFIS"
## [40] "dnn" "dwdLinear" "dwdPoly"
## [43] "dwdRadial" "earth" "elm"
## [46] "enet" "evtree" "extraTrees"
## [49] "fda" "FH.GBML" "FIR.DM"
## [52] "foba" "FRBCS.CHI" "FRBCS.W"
## [55] "FS.HGD" "gam" "gamboost"
## [58] "gamLoess" "gamSpline" "gaussprLinear"
## [61] "gaussprPoly" "gaussprRadial" "gbm_h2o"
## [64] "gbm" "gcvEarth" "GFS.FR.MOGUL"
## [67] "GFS.LT.RS" "GFS.THRIFT" "glm.nb"
## [70] "glm" "glmboost" "glmnet_h2o"
## [73] "glmnet" "glmStepAIC" "gpls"
## [76] "hda" "hdda" "hdrda"
## [79] "HYFIS" "icr" "J48"
## [82] "JRip" "kernelpls" "kknn"
## [85] "knn" "krlsPoly" "krlsRadial"
## [88] "lars" "lars2" "lasso"
## [91] "lda" "lda2" "leapBackward"
## [94] "leapForward" "leapSeq" "Linda"
## [97] "lm" "lmStepAIC" "LMT"
## [100] "loclda" "logicBag" "LogitBoost"
## [103] "logreg" "lssvmLinear" "lssvmPoly"
## [106] "lssvmRadial" "lvq" "M5"
## [109] "M5Rules" "manb" "mda"
## [112] "Mlda" "mlp" "mlpKerasDecay"
## [115] "mlpKerasDecayCost" "mlpKerasDropout" "mlpKerasDropoutCost"
## [118] "mlpML" "mlpSGD" "mlpWeightDecay"
## [121] "mlpWeightDecayML" "monmlp" "msaenet"
## [124] "multinom" "mxnet" "mxnetAdam"
## [127] "naive_bayes" "nb" "nbDiscrete"
## [130] "nbSearch" "neuralnet" "nnet"
## [133] "nnls" "nodeHarvest" "null"
## [136] "OneR" "ordinalNet" "ordinalRF"
## [139] "ORFlog" "ORFpls" "ORFridge"
## [142] "ORFsvm" "ownn" "pam"
## [145] "parRF" "PART" "partDSA"
## [148] "pcaNNet" "pcr" "pda"
## [151] "pda2" "penalized" "PenalizedLDA"
## [154] "plr" "pls" "plsRglm"
## [157] "polr" "ppr" "pre"
## [160] "PRIM" "protoclass" "qda"
## [163] "QdaCov" "qrf" "qrnn"
## [166] "randomGLM" "ranger" "rbf"
## [169] "rbfDDA" "Rborist" "rda"
## [172] "regLogistic" "relaxo" "rf"
## [175] "rFerns" "RFlda" "rfRules"
## [178] "ridge" "rlda" "rlm"
## [181] "rmda" "rocc" "rotationForest"
## [184] "rotationForestCp" "rpart" "rpart1SE"
## [187] "rpart2" "rpartCost" "rpartScore"
## [190] "rqlasso" "rqnc" "RRF"
## [193] "RRFglobal" "rrlda" "RSimca"
## [196] "rvmLinear" "rvmPoly" "rvmRadial"
## [199] "SBC" "sda" "sdwd"
## [202] "simpls" "SLAVE" "slda"
## [205] "smda" "snn" "sparseLDA"
## [208] "spikeslab" "spls" "stepLDA"
## [211] "stepQDA" "superpc" "svmBoundrangeString"
## [214] "svmExpoString" "svmLinear" "svmLinear2"
## [217] "svmLinear3" "svmLinearWeights" "svmLinearWeights2"
## [220] "svmPoly" "svmRadial" "svmRadialCost"
## [223] "svmRadialSigma" "svmRadialWeights" "svmSpectrumString"
## [226] "tan" "tanSearch" "treebag"
## [229] "vbmpRadial" "vglmAdjCat" "vglmContRatio"
## [232] "vglmCumulative" "widekernelpls" "WM"
## [235] "wsrf" "xgbDART" "xgbLinear"
## [238] "xgbTree" "xyf"Создаем переменные, в которые генерируем данные
x <- matrix(rnorm(50*5),ncol=5)
y <- factor(rep(c("A", "B"), 25))Загружаем изображение, выводим формулу для создания диаграмма распределения (показывает, насколько вероятны различные значения непрерывной случайной величины), которая выведется в это изображение, после чего завершаем запись графиков в изображение.
jpeg("1.jpg")
featurePlot(x, y, plot="density", col=c("#f15596", "#7891e2"))
dev.off()## png
## 2
Теперь аналогичным образом создадим бокс график (показывает, как распределены данные).
jpeg("2.jpg")
featurePlot(x, y, plot="box", col=c("#f15596", "#7891e2"))
dev.off()## png
## 2
Бокс график
Подведем итоги. Данные сгенерированы с нормальным распределением. На графиках видно минимальное различие между классами, это связано с тем, что данные сгенерированы случайно.
Задание 2
С использование функций из пакета Fselector [2] определить важность признаков для решения задачи классификации. Использовать набор data(iris). Сделать выводы.
Устанавливаем пакет и выгружаем его.А так же загрузим данные из пакета iris.
if(!require(FSelector))
{
install.packages("FSelector")
library(FSelector)
}## Загрузка требуемого пакета: FSelector## Warning: пакет 'FSelector' был собран под R версии 4.4.3В первую очередь воспользуемся функцией information.gain. Эта функция вычисляет, сколько информации о целевой переменной дает каждый признак. В данной формуле первый аргументом мы указываем, что хотим предсказать Species с использованием всех остальных данных. Тильда разделяет зависимую часть (левую) от независимой (правой).Все признаки имеют ценность для анализа.
information.gain(Species ~ ., iris)## attr_importance
## Sepal.Length 0.4521286
## Sepal.Width 0.2672750
## Petal.Length 0.9402853
## Petal.Width 0.9554360Следующей функцией используем gain.ratio (модификация функции information.gain), эта функция учитывает размер признака, чтобы не завышать его важность. Из нее следует, что в целом важность признаков не сильно изменилась, по сравнению с результатом работы information.gain.
gain.ratio(Species ~ ., iris)## attr_importance
## Sepal.Length 0.4196464
## Sepal.Width 0.2472972
## Petal.Length 0.8584937
## Petal.Width 0.8713692Теперь посмотрим результат работы функции chi.squared. Данная функция проверяет, существует ли связь между каждым признаком и целевой переменной, она измеряет, насколько часто значение признака и целевой переменной совпадают с ожиданиями, если бы между ними не было связи.
chi.squared(Species ~ ., iris)## attr_importance
## Sepal.Length 0.6288067
## Sepal.Width 0.4922162
## Petal.Length 0.9346311
## Petal.Width 0.9432359Из выполненных ранее методов можно сделать следующие выводы. Все три метода показали, что Petal.Length и Petal.Width несут наибольшую ценность, нежели чем другие признаки. Хотя каждый признак можно отнести к важным.
Задание 3
С использованием функции discretize() из пакета arules выполните преобразование непрерывной переменной в категориальную [3] различными методами: «interval» (равная ширина интервала), «frequency» (равная частота), «cluster» (кластеризация) и «fixed» (категории задают границы интервалов). Используйте набор данных iris. Сделайте выводы
Установим пакет arules и выгрузим его.
if(!require(arules))
{
install.packages("arules")
library(arules)
}## Загрузка требуемого пакета: arules## Warning: пакет 'arules' был собран под R версии 4.4.3## Загрузка требуемого пакета: Matrix##
## Присоединяю пакет: 'arules'## Следующие объекты скрыты от 'package:base':
##
## abbreviate, writeДалее используем функцию discretize для преобразования непрерывной переменной в категориальные переменную с использованием метода равных интервалов. Этот метод выбирает интервалы равные по ширине. В ответ получаем 3 уровня категориальной переменной, разбитой на интервалы. Границы рассчитаны на основе минимальных и максимальных значений данных.
interval <- discretize(iris$Petal.Length, method = "interval")
interval## [1] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [7] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [13] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [19] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [25] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [31] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [37] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [43] [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97) [1,2.97)
## [49] [1,2.97) [1,2.97) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [55] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [61] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [67] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [73] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [4.93,6.9]
## [79] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [4.93,6.9]
## [85] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [91] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93)
## [97] [2.97,4.93) [2.97,4.93) [2.97,4.93) [2.97,4.93) [4.93,6.9] [4.93,6.9]
## [103] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [2.97,4.93) [4.93,6.9]
## [109] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## [115] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## [121] [4.93,6.9] [2.97,4.93) [4.93,6.9] [2.97,4.93) [4.93,6.9] [4.93,6.9]
## [127] [2.97,4.93) [2.97,4.93) [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## [133] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## [139] [2.97,4.93) [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## [145] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9] [4.93,6.9]
## attr(,"discretized:breaks")
## [1] 1.000000 2.966667 4.933333 6.900000
## attr(,"discretized:method")
## [1] interval
## Levels: [1,2.97) [2.97,4.93) [4.93,6.9]Теперь для функции, которую применили ранее используем метода frequency. Этот метод выбирает данные так, чтобы в каждом интервале было примерно одинаковое количество данных.
frequency <- discretize(iris$Petal.Length, method = "frequency")
frequency## [1] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [7] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [13] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [19] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [25] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [31] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [37] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [43] [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63) [1,2.63)
## [49] [1,2.63) [1,2.63) [2.63,4.9) [2.63,4.9) [4.9,6.9] [2.63,4.9)
## [55] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9)
## [61] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9)
## [67] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9)
## [73] [4.9,6.9] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [4.9,6.9]
## [79] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [4.9,6.9]
## [85] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9)
## [91] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9)
## [97] [2.63,4.9) [2.63,4.9) [2.63,4.9) [2.63,4.9) [4.9,6.9] [4.9,6.9]
## [103] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [2.63,4.9) [4.9,6.9]
## [109] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [115] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [121] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [127] [2.63,4.9) [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [133] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [139] [2.63,4.9) [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## [145] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9] [4.9,6.9]
## attr(,"discretized:breaks")
## [1] 1.000000 2.633333 4.900000 6.900000
## attr(,"discretized:method")
## [1] frequency
## Levels: [1,2.63) [2.63,4.9) [4.9,6.9]Теперь используем метод cluster, т.е данные группируются и на основании этих групп генерируются интервалы данных.
cluster <- discretize(iris$Petal.Length, method = "cluster")
cluster## [1] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [7] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [13] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [19] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [25] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [31] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [37] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [43] [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95) [1,2.95)
## [49] [1,2.95) [1,2.95) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [55] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [61] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [67] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [73] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [79] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [85] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [91] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13)
## [97] [2.95,5.13) [2.95,5.13) [2.95,5.13) [2.95,5.13) [5.13,6.9] [2.95,5.13)
## [103] [5.13,6.9] [5.13,6.9] [5.13,6.9] [5.13,6.9] [2.95,5.13) [5.13,6.9]
## [109] [5.13,6.9] [5.13,6.9] [2.95,5.13) [5.13,6.9] [5.13,6.9] [2.95,5.13)
## [115] [2.95,5.13) [5.13,6.9] [5.13,6.9] [5.13,6.9] [5.13,6.9] [2.95,5.13)
## [121] [5.13,6.9] [2.95,5.13) [5.13,6.9] [2.95,5.13) [5.13,6.9] [5.13,6.9]
## [127] [2.95,5.13) [2.95,5.13) [5.13,6.9] [5.13,6.9] [5.13,6.9] [5.13,6.9]
## [133] [5.13,6.9] [2.95,5.13) [5.13,6.9] [5.13,6.9] [5.13,6.9] [5.13,6.9]
## [139] [2.95,5.13) [5.13,6.9] [5.13,6.9] [2.95,5.13) [2.95,5.13) [5.13,6.9]
## [145] [5.13,6.9] [5.13,6.9] [2.95,5.13) [5.13,6.9] [5.13,6.9] [2.95,5.13)
## attr(,"discretized:breaks")
## [1] 1.000000 2.946909 5.129144 6.900000
## attr(,"discretized:method")
## [1] cluster
## Levels: [1,2.95) [2.95,5.13) [5.13,6.9]Теперь используем метод fixed, который позволяет самостоятельно задавать границы интервалов.
fixed <- discretize(iris$Petal.Length, method = "fixed", c(0, 3, 5, 7, 10))
fixed## [1] [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3)
## [13] [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3)
## [25] [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3)
## [37] [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3) [0,3)
## [49] [0,3) [0,3) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5)
## [61] [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5)
## [73] [3,5) [3,5) [3,5) [3,5) [3,5) [5,7) [3,5) [3,5) [3,5) [3,5) [3,5) [5,7)
## [85] [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5) [3,5)
## [97] [3,5) [3,5) [3,5) [3,5) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [3,5) [5,7)
## [109] [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [5,7)
## [121] [5,7) [3,5) [5,7) [3,5) [5,7) [5,7) [3,5) [3,5) [5,7) [5,7) [5,7) [5,7)
## [133] [5,7) [5,7) [5,7) [5,7) [5,7) [5,7) [3,5) [5,7) [5,7) [5,7) [5,7) [5,7)
## [145] [5,7) [5,7) [5,7) [5,7) [5,7) [5,7)
## attr(,"discretized:breaks")
## [1] 0 3 5 7 10
## attr(,"discretized:method")
## [1] fixed
## Levels: [0,3) [3,5) [5,7) [7,10]Были рассмотрены четыре метода для преобразования вектора в категории. Метод interval делит данные на интервалы с равной шириной, но с разным количеством элементов в каждом интервале. Метод frequency создает интервалы с равным числом наблюдений, но с различной шириной. Метод cluster использует алгоритм кластеризации для группировки данных, формируя интервалы на основе выявленных кластеров. Метод fixed позволяет задать интервалы вручную, давая полный контроль над их границами.
Задание 4
Установите пакет Boruta и проведите выбор признаков для набора данных data(“Ozone”) [4, 5, 6]. Построить график boxplot, сделать выводы.
Установим библиотеку и выгрузим данные.
if(!require(Boruta)) {
install.packages("Boruta")
library(Boruta)
}## Загрузка требуемого пакета: Boruta## Warning: пакет 'Boruta' был собран под R версии 4.4.3if(!require(mlbench)) {
install.packages("mlbench", repos = "https://cloud.r-project.org/")
library(mlbench)
}## Загрузка требуемого пакета: mlbench## Warning: пакет 'mlbench' был собран под R версии 4.4.3data("Ozone")
Ozone## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13
## 1 1 1 4 3 5480 8 20 NA NA 5000 -15 30.56 200
## 2 1 2 5 3 5660 6 NA 38 NA NA -14 NA 300
## 3 1 3 6 3 5710 4 28 40 NA 2693 -25 47.66 250
## 4 1 4 7 5 5700 3 37 45 NA 590 -24 55.04 100
## 5 1 5 1 5 5760 3 51 54 45.32 1450 25 57.02 60
## 6 1 6 2 6 5720 4 69 35 49.64 1568 15 53.78 60
## 7 1 7 3 4 5790 6 19 45 46.40 2631 -33 54.14 100
## 8 1 8 4 4 5790 3 25 55 52.70 554 -28 64.76 250
## 9 1 9 5 6 5700 3 73 41 48.02 2083 23 52.52 120
## 10 1 10 6 7 5700 3 59 44 NA 2654 -2 48.38 120
## 11 1 11 7 4 5770 8 27 54 NA 5000 -19 48.56 120
## 12 1 12 1 6 5720 3 44 51 54.32 111 9 63.14 150
## 13 1 13 2 5 5760 6 33 51 57.56 492 -44 64.58 40
## 14 1 14 3 4 5780 6 19 54 56.12 5000 -44 56.30 200
## 15 1 15 4 4 5830 3 19 58 62.24 1249 -53 75.74 250
## 16 1 16 5 7 5870 2 19 61 64.94 5000 -67 65.48 200
## 17 1 17 6 5 5840 5 19 64 NA 5000 -40 63.32 200
## 18 1 18 7 9 5780 4 59 67 NA 639 1 66.02 150
## 19 1 19 1 4 5680 5 73 52 56.48 393 -68 69.80 10
## 20 1 20 2 3 5720 4 19 54 NA 5000 -66 54.68 140
## 21 1 21 3 4 5760 3 19 54 53.60 5000 -58 51.98 250
## 22 1 22 4 4 5730 4 26 58 52.70 5000 -26 51.98 200
## 23 1 23 5 5 5700 5 59 69 51.08 3044 18 52.88 150
## 24 1 24 6 6 5650 5 70 51 NA 3641 23 47.66 140
## 25 1 25 7 9 5680 3 64 53 NA 111 -10 59.54 50
## 26 1 26 1 5 5780 3 NA 56 53.60 692 -25 67.10 0
## 27 1 27 2 6 5820 5 19 59 59.36 597 -52 70.52 70
## 28 1 28 3 6 5830 4 NA 59 60.08 NA -44 NA 150
## 29 1 29 4 6 5810 5 19 64 56.66 1791 -15 64.76 150
## 30 1 30 5 11 5790 3 28 63 57.38 793 -15 65.84 120
## 31 1 31 6 10 5800 2 32 63 NA 531 -38 75.92 40
## 32 2 1 7 7 5820 5 19 62 NA 419 -29 75.74 120
## 33 2 2 1 12 5770 8 76 63 57.20 816 -7 66.20 6
## 34 2 3 2 9 5670 3 69 54 45.50 3651 62 49.10 30
## 35 2 4 3 2 5590 3 76 36 37.40 5000 70 37.94 100
## 36 2 5 4 3 5410 6 64 31 32.18 5000 28 32.36 200
## 37 2 6 5 3 5350 7 62 30 32.54 1341 18 45.86 60
## 38 2 7 6 2 5480 9 72 36 NA 5000 0 38.66 350
## 39 2 8 7 3 5600 7 76 42 NA 3799 -18 45.86 250
## 40 2 9 1 3 5490 11 72 37 38.48 5000 32 38.12 350
## 41 2 10 2 4 5560 10 72 41 40.46 5000 -1 37.58 300
## 42 2 11 3 6 5700 3 32 46 NA 5000 -30 45.86 300
## 43 2 12 4 8 5680 5 50 51 47.12 5000 -8 45.50 300
## 44 2 13 5 6 5700 4 86 55 49.28 2398 21 53.78 200
## 45 2 14 6 4 5650 5 61 41 NA 5000 51 36.32 100
## 46 2 15 7 3 5610 5 62 41 NA 4281 42 41.36 250
## 47 2 16 1 7 5730 5 66 49 NA 1161 27 52.88 200
## 48 2 17 2 11 5770 5 68 45 52.88 2778 2 55.76 200
## 49 2 18 3 13 5770 3 82 55 55.40 442 26 58.28 40
## 50 2 19 4 4 5700 5 NA 45 38.12 NA 82 NA 2
## 51 2 20 5 6 5690 8 21 41 43.88 5000 -30 42.26 300
## 52 2 21 6 5 5700 3 19 45 NA 5000 -53 43.88 300
## 53 2 22 7 4 5730 11 19 51 NA 5000 -43 49.10 300
## 54 2 23 1 4 5690 7 19 53 50.18 5000 7 49.10 300
## 55 2 24 2 6 5640 5 68 50 37.40 5000 24 42.08 300
## 56 2 25 3 10 5720 6 63 60 53.06 1341 19 59.18 150
## 57 2 26 4 15 5740 3 54 54 56.48 1318 2 64.58 150
## 58 2 27 5 23 5740 3 47 53 58.82 885 -4 67.10 80
## 59 2 28 6 17 5740 3 56 53 NA 360 3 67.10 40
## 60 2 29 7 7 5670 7 61 44 NA 3497 73 49.46 40
## 61 3 1 1 2 5550 10 74 40 38.84 5000 73 40.10 80
## 62 3 2 2 3 5470 7 46 30 29.66 5000 44 29.30 300
## 63 3 3 3 3 5320 11 45 25 27.68 5000 39 27.50 200
## 64 3 4 4 5 NA 8 33 39 30.20 5000 15 30.02 500
## 65 3 5 5 4 5530 3 43 40 36.14 5000 -12 33.62 140
## 66 3 6 6 6 5600 3 21 45 NA 5000 -2 39.02 140
## 67 3 7 7 7 5660 7 57 51 NA 5000 30 42.08 140
## 68 3 8 1 7 5580 5 42 48 40.64 3608 24 39.38 100
## 69 3 9 2 6 5510 5 50 45 36.86 5000 38 32.90 140
## 70 3 10 3 3 5530 5 61 47 33.80 5000 56 35.60 200
## 71 3 11 4 2 5620 9 61 43 37.04 5000 66 34.34 120
## 72 3 12 5 8 5690 0 60 49 46.04 613 -27 59.72 300
## 73 3 13 6 12 5760 4 31 56 NA 334 -9 64.40 300
## 74 3 14 7 12 5740 3 66 53 NA 567 13 61.88 150
## 75 3 15 1 16 5780 5 53 61 57.92 488 -20 64.94 2
## 76 3 16 2 9 5790 2 42 63 57.02 531 -15 71.06 50
## 77 3 17 3 24 5760 3 60 70 58.64 508 7 66.56 70
## 78 3 18 4 13 5700 4 82 57 50.36 1571 68 56.30 17
## 79 3 19 5 8 5680 4 57 35 40.10 721 28 55.40 140
## 80 3 20 6 10 5720 5 21 52 NA 505 -49 67.28 140
## 81 3 21 7 8 5720 5 19 59 NA 377 -27 73.22 300
## 82 3 22 1 9 5730 4 32 67 59.54 442 -9 75.74 200
## 83 3 23 2 10 5710 5 77 57 57.38 902 54 60.44 250
## 84 3 24 3 13 5750 6 70 NA 56.30 3188 53 58.64 80
## 85 3 25 4 14 5720 4 71 42 44.96 1381 4 56.30 60
## 86 3 26 5 9 5710 3 19 55 51.80 5000 -16 50.00 100
## 87 3 27 6 11 5600 6 45 40 NA 5000 38 46.94 150
## 88 3 28 7 7 5630 4 44 39 NA 1302 40 52.70 150
## 89 3 29 1 9 5690 7 70 57 46.58 1292 -5 53.60 200
## 90 3 30 2 12 5730 6 45 58 52.52 5000 -14 52.70 100
## 91 3 31 3 12 5710 3 46 62 52.52 472 34 62.96 300
## 92 4 1 4 8 5610 6 50 51 50.00 1404 42 54.50 120
## 93 4 2 5 9 5680 5 69 61 51.44 944 35 55.76 100
## 94 4 3 6 5 5620 6 67 34 NA 5000 75 35.24 200
## 95 4 4 7 4 5420 7 69 35 NA 5000 41 30.92 200
## 96 4 5 1 4 5540 5 54 35 33.26 5000 62 33.44 200
## 97 4 6 2 9 5590 6 51 48 38.12 5000 44 42.08 300
## 98 4 7 3 13 5690 6 63 59 52.88 2014 31 53.42 300
## 99 4 8 4 5 5550 7 63 41 37.58 5000 56 37.22 250
## 100 4 9 5 10 5620 7 57 58 46.76 5000 27 47.66 120
## 101 4 10 6 10 5630 6 61 51 NA 524 57 54.68 140
## 102 4 11 7 7 5580 7 78 46 NA 5000 55 38.48 200
## 103 4 12 1 5 5560 4 65 40 34.70 5000 59 35.24 140
## 104 4 13 2 4 5440 5 44 35 33.08 5000 24 32.54 80
## 105 4 14 3 7 5480 7 51 46 37.40 2490 29 47.48 300
## 106 4 15 4 3 5620 5 73 39 39.56 5000 107 31.28 100
## 107 4 16 5 4 5450 11 35 32 NA 5000 36 33.44 300
## 108 4 17 6 7 5660 6 35 47 NA 5000 28 39.38 200
## 109 4 18 7 11 5680 6 61 50 NA 1144 30 53.60 120
## 110 4 19 1 15 5760 4 50 65 56.30 547 1 66.92 100
## 111 4 20 2 22 5790 4 57 66 63.68 413 10 69.62 120
## 112 4 21 3 17 5720 5 68 69 60.80 610 46 63.68 60
## 113 4 22 4 7 5660 6 58 59 42.80 3638 81 51.26 120
## 114 4 23 5 10 5710 5 65 64 56.30 3848 45 56.84 100
## 115 4 24 6 19 5780 7 78 68 NA 1479 40 68.00 100
## 116 4 25 7 18 5750 7 73 49 NA 1108 55 65.48 27
## 117 4 26 1 12 5700 5 41 52 49.64 869 0 58.10 40
## 118 4 27 2 6 5620 9 47 56 39.92 5000 43 38.30 140
## 119 4 28 3 9 5650 6 46 55 40.82 5000 49 37.94 150
## 120 4 29 4 19 5730 5 61 66 59.72 1148 31 60.80 100
## 121 4 30 5 21 5810 4 55 74 67.28 856 4 75.38 100
## 122 5 1 6 29 5790 4 60 76 NA 807 16 73.04 120
## 123 5 2 7 16 5740 8 78 70 NA 2040 46 63.50 150
## 124 5 3 1 5 NA 8 62 61 44.42 5000 63 42.62 100
## 125 5 4 2 11 5690 4 71 67 52.52 314 60 59.00 120
## 126 5 5 3 2 NA 4 67 45 41.72 5000 77 42.62 80
## 127 5 6 4 2 5680 6 77 41 42.98 5000 75 40.82 120
## 128 5 7 5 12 5650 8 66 61 51.80 1410 20 55.22 140
## 129 5 8 6 16 5730 6 74 68 NA 360 23 62.42 120
## 130 5 9 7 22 5730 3 78 69 NA 1568 32 67.64 70
## 131 5 10 1 20 5760 7 78 74 63.14 1184 40 68.72 80
## 132 5 11 2 27 5830 6 75 74 67.28 898 24 73.40 70
## 133 5 12 3 33 5880 3 80 80 73.04 436 0 86.36 40
## 134 5 13 4 25 5890 6 88 84 73.22 774 6 86.00 20
## 135 5 14 5 31 5850 4 76 78 71.24 1181 50 79.88 17
## 136 5 15 6 18 5820 6 63 80 NA 1991 47 69.62 40
## 137 5 16 7 16 NA 7 68 73 NA 2057 71 67.28 50
## 138 5 17 1 24 5800 7 78 76 NA 1597 56 68.00 50
## 139 5 18 2 16 5740 3 74 74 NA 1184 52 69.44 70
## 140 5 19 3 12 5710 7 63 66 NA 3005 58 59.18 80
## 141 5 20 4 9 5720 8 62 66 NA 2880 53 57.38 120
## 142 5 21 5 12 5710 7 69 63 NA NA 66 56.30 120
## 143 5 22 6 16 5740 5 53 69 NA 2125 64 59.00 100
## 144 5 23 7 NA 5720 3 64 66 NA 1751 67 59.90 120
## 145 5 24 1 8 5690 9 62 62 NA 3720 74 50.90 120
## 146 5 25 2 9 5730 5 71 67 49.82 4337 66 59.36 200
## 147 5 26 3 29 5780 3 68 80 NA 2053 31 72.86 120
## 148 5 27 4 20 5790 7 79 76 NA 1958 70 70.52 40
## 149 5 28 5 5 5750 3 76 65 51.08 3644 86 59.36 70
## 150 5 29 6 5 5680 6 71 65 NA 1368 75 58.46 100
## 151 5 30 7 11 5720 3 66 63 NA 3539 73 53.60 120
## 152 5 31 1 12 5770 4 81 62 NA 2785 49 63.32 100
## 153 6 1 2 19 5800 4 72 68 NA 984 26 69.26 120
## 154 6 2 3 17 5780 8 92 68 64.76 1804 56 68.00 70
## 155 6 3 4 19 5740 6 71 69 64.40 3234 77 62.78 80
## 156 6 4 5 16 5730 6 64 66 60.44 3441 67 60.98 100
## 157 6 5 6 14 5760 6 68 70 NA 1578 61 60.80 100
## 158 6 6 7 10 5770 7 59 70 NA 1850 76 60.80 120
## 159 6 7 1 9 5690 8 67 64 54.50 2962 80 59.36 120
## 160 6 8 2 7 5650 6 66 61 53.78 2670 54 55.40 120
## 161 6 9 3 5 5610 3 61 52 42.08 5000 76 42.08 150
## 162 6 10 4 2 5570 9 81 48 41.72 5000 57 40.82 140
## 163 6 11 5 12 5690 5 63 59 51.80 5000 46 51.26 140
## 164 6 12 6 22 5760 3 58 67 NA 987 28 63.86 140
## 165 6 13 7 17 5810 5 68 66 NA 1148 43 66.92 140
## 166 6 14 1 26 5830 4 71 74 71.78 898 -24 77.90 60
## 167 6 15 2 27 5880 6 67 83 72.50 777 -1 82.58 30
## 168 6 16 3 14 5860 3 64 78 68.72 1279 75 71.60 17
## 169 6 17 4 11 5830 6 64 75 66.20 1046 69 68.72 80
## 170 6 18 5 23 5870 4 69 84 74.12 1167 50 74.30 60
## 171 6 19 6 26 5860 3 77 81 NA 987 45 75.74 100
## 172 6 20 7 21 5800 3 61 79 NA 1144 57 71.24 120
## 173 6 21 1 15 5800 4 69 79 66.20 977 60 70.70 150
## 174 6 22 2 20 5770 5 64 65 65.12 770 26 75.56 120
## 175 6 23 3 15 5860 4 33 81 72.68 629 -11 86.36 140
## 176 6 24 4 18 5870 7 38 84 76.10 337 -14 89.78 140
## 177 6 25 5 26 5870 4 54 83 NA 590 26 85.10 120
## 178 6 26 6 19 5860 6 39 90 NA 400 19 83.30 120
## 179 6 27 7 13 5880 5 43 90 NA 580 9 87.26 80
## 180 6 28 1 30 5870 7 55 93 NA 646 25 89.24 140
## 181 6 29 2 26 5860 4 77 88 NA 826 41 84.38 140
## 182 6 30 3 15 5830 5 63 72 NA 823 52 74.48 150
## 183 7 1 4 16 5820 5 65 72 NA 2116 47 70.34 120
## 184 7 2 5 16 5820 8 64 70 NA 2972 52 64.40 120
## 185 7 3 6 19 5860 6 68 78 NA 2752 41 69.98 140
## 186 7 4 7 23 5870 3 76 87 NA 1377 37 78.44 100
## 187 7 5 1 28 5890 6 71 91 NA 1486 33 79.88 50
## 188 7 6 2 34 5900 6 86 87 81.68 990 22 85.10 40
## 189 7 7 3 33 5890 5 65 91 NA 508 29 85.28 100
## 190 7 8 4 NA 5890 5 69 90 NA 688 37 83.30 80
## 191 7 9 5 24 5910 4 73 88 79.88 1204 56 79.88 100
## 192 7 10 6 17 5900 5 69 83 NA 2414 63 76.46 60
## 193 7 11 7 10 5860 3 64 78 NA 2385 67 70.34 50
## 194 7 12 1 14 5830 3 63 79 70.88 2326 64 71.24 70
## 195 7 13 2 13 5850 9 72 77 69.44 3389 56 68.72 80
## 196 7 14 3 17 5830 6 82 81 73.22 2818 58 71.78 80
## 197 7 15 4 15 NA 6 83 76 72.32 3083 75 72.32 80
## 198 7 16 5 22 5810 8 69 76 67.64 2394 54 69.62 90
## 199 7 17 6 19 5830 4 74 78 NA 2746 61 69.44 120
## 200 7 18 7 20 5830 5 69 75 NA 2493 55 72.50 120
## 201 7 19 1 25 5840 7 72 82 68.00 1528 42 73.94 100
## 202 7 20 2 28 5870 6 73 84 74.12 111 40 78.08 60
## 203 7 21 3 29 5870 4 90 86 74.48 1899 45 76.46 40
## 204 7 22 4 NA 5850 4 79 70 65.12 2020 37 73.22 50
## 205 7 23 5 23 5860 3 80 80 67.28 1289 32 75.20 40
## 206 7 24 6 26 5900 3 73 80 NA 984 35 78.80 70
## 207 7 25 7 14 5890 4 71 84 NA 836 28 81.50 80
## 208 7 26 1 13 5880 4 78 84 70.70 826 27 79.34 80
## 209 7 27 2 26 5890 6 80 81 69.80 1105 39 74.12 80
## 210 7 28 3 22 5870 8 74 85 71.42 1023 46 77.18 80
## 211 7 29 4 11 NA 6 70 79 67.82 1453 68 70.16 80
## 212 7 30 5 15 NA 6 71 72 66.02 2375 52 66.20 100
## 213 7 31 6 14 5820 6 63 73 NA 2956 46 67.28 120
## 214 8 1 7 13 5780 6 57 72 NA 2988 56 65.66 150
## 215 8 2 1 9 5770 3 55 68 62.60 4291 60 62.24 200
## 216 8 3 2 12 5790 4 65 65 56.48 3330 59 58.64 150
## 217 8 4 3 15 5820 6 NA 64 62.06 NA 31 NA 150
## 218 8 5 4 12 5840 6 NA 75 65.12 NA 35 NA 150
## 219 8 6 5 15 5800 7 NA 69 63.32 NA 49 NA 150
## 220 8 7 6 25 5830 4 NA 69 NA NA 30 NA 100
## 221 8 8 7 18 5800 3 NA 72 NA NA 43 NA 100
## 222 8 9 1 14 5840 7 65 79 67.10 1233 30 70.52 100
## 223 8 10 2 22 NA 3 74 78 66.02 1450 36 69.80 30
## 224 8 11 3 24 5910 5 72 81 70.88 1069 28 74.30 80
## 225 8 12 4 19 5890 5 79 80 69.80 984 57 73.40 70
## 226 8 13 5 16 5870 6 62 76 NA 1653 71 68.72 60
## 227 8 14 6 7 5780 7 65 59 NA 3930 68 59.18 150
## 228 8 15 7 2 5730 5 77 55 NA 5000 73 51.62 200
## 229 8 16 1 4 5780 7 70 66 51.44 5000 45 51.26 200
## 230 8 17 2 6 5750 7 58 64 56.48 4212 46 56.84 200
## 231 8 18 3 12 5760 5 58 62 52.16 5000 52 49.82 250
## 232 8 19 4 9 5730 7 72 67 NA 5000 31 57.38 300
## 233 8 20 5 15 5730 5 77 74 64.04 1545 43 65.66 70
## 234 8 21 6 17 5790 4 57 74 NA 994 44 69.62 300
## 235 8 22 7 13 5750 3 67 70 NA 1125 55 68.00 150
## 236 8 23 1 20 5880 3 73 77 NA 636 16 73.94 300
## 237 8 24 2 22 5890 7 70 83 70.88 748 32 77.00 30
## 238 8 25 3 24 5880 4 73 81 73.76 692 44 77.72 100
## 239 8 26 4 26 5870 7 73 73 75.20 807 39 78.80 100
## 240 8 27 5 32 5900 6 71 87 76.46 869 19 78.98 17
## 241 8 28 6 33 5920 4 77 89 NA 800 24 85.64 20
## 242 8 29 7 27 5930 3 68 92 NA 393 6 91.76 4
## 243 8 30 1 38 5950 5 62 92 82.40 557 0 90.68 70
## 244 8 31 2 23 5950 8 61 93 81.68 620 27 85.64 30
## 245 9 1 3 19 5900 5 71 93 82.58 1404 33 84.74 70
## 246 9 2 4 19 5890 8 77 86 71.42 898 21 80.60 60
## 247 9 3 5 15 5860 7 71 76 69.44 377 -2 83.30 40
## 248 9 4 6 28 5840 5 67 81 NA 528 17 78.80 50
## 249 9 5 7 10 5800 6 74 78 NA 2818 26 72.68 70
## 250 9 6 1 14 5760 7 65 73 NA 3247 10 67.28 140
## 251 9 7 2 26 5810 6 82 80 71.78 895 0 78.08 100
## 252 9 8 3 17 5850 4 67 81 70.88 721 0 80.24 120
## 253 9 9 4 3 NA 5 73 69 66.92 774 -27 75.56 100
## 254 9 10 5 2 NA 6 74 59 61.88 134 0 77.18 70
## 255 9 11 6 3 5760 7 87 52 NA 5000 39 51.80 150
## 256 9 12 7 14 5860 4 71 63 NA 1965 13 60.98 50
## 257 9 13 1 29 5830 5 77 72 68.72 1853 10 70.88 70
## 258 9 14 2 18 5840 5 78 75 69.26 2342 7 71.42 40
## 259 9 15 3 3 5800 7 72 55 54.32 5000 56 51.62 70
## 260 9 16 4 7 NA 10 67 59 51.44 5000 37 47.48 120
## 261 9 17 5 9 5790 3 71 61 50.54 4028 35 55.04 140
## 262 9 18 6 19 5830 5 71 71 NA 2716 26 63.68 140
## 263 9 19 7 8 5810 5 76 71 NA 3671 31 65.84 100
## 264 9 20 1 NA 5770 5 76 66 62.96 3431 26 62.24 50
## 265 9 21 2 23 5780 6 76 72 66.38 3795 31 66.92 70
## 266 9 22 3 13 5800 6 73 75 67.10 3120 35 66.92 40
## 267 9 23 4 NA 5770 3 66 71 63.68 4133 28 63.50 40
## 268 9 24 5 7 5800 5 80 65 60.08 2667 17 63.50 100
## 269 9 25 6 3 5780 9 73 61 NA 5000 39 52.70 120
## 270 9 26 7 5 5790 8 80 60 NA 5000 36 48.92 120
## 271 9 27 1 11 5770 5 75 64 55.94 308 25 68.72 140
## 272 9 28 2 12 5750 4 68 61 59.54 2982 18 59.90 120
## 273 9 29 3 5 5640 5 93 63 54.32 5000 30 52.70 70
## 274 9 30 4 4 5640 7 57 62 54.32 5000 25 51.26 150
## 275 10 1 5 5 5650 3 70 59 50.90 5000 38 47.66 200
## 276 10 2 6 4 5710 6 65 56 NA 5000 35 47.84 200
## 277 10 3 7 10 5760 6 66 59 NA 3070 13 60.08 200
## 278 10 4 1 17 5840 4 73 72 63.14 830 0 72.14 70
## 279 10 5 2 26 5880 3 77 71 67.64 711 -9 75.56 40
## 280 10 6 3 30 5890 5 80 75 71.06 1049 -10 78.98 50
## 281 10 7 4 18 5890 4 73 71 70.88 511 -39 83.84 17
## 282 10 8 5 12 5890 5 19 71 70.52 5000 -40 67.64 80
## 283 10 9 6 7 5890 6 19 73 NA 5000 -34 69.44 250
## 284 10 10 7 15 5850 3 73 78 NA 377 -3 78.80 200
## 285 10 11 1 12 5830 5 76 73 NA 862 27 73.58 2
## 286 10 12 2 7 5830 8 77 71 67.10 337 -17 81.14 20
## 287 10 13 3 28 5860 5 86 73 69.80 492 -2 82.22 7
## 288 10 14 4 22 5830 5 76 71 69.44 1394 13 75.02 30
## 289 10 15 5 18 5800 7 66 66 62.96 3146 27 64.04 50
## 290 10 16 6 14 5830 4 74 69 NA 2234 11 66.74 70
## 291 10 17 7 24 5790 5 71 69 NA 2109 21 69.62 17
## 292 10 18 1 10 5730 4 84 64 56.30 5000 23 54.50 80
## 293 10 19 2 14 5780 5 74 65 63.14 2270 -7 68.90 50
## 294 10 20 3 9 5740 7 48 54 62.96 2191 -13 68.72 60
## 295 10 21 4 12 5710 8 75 62 58.64 3448 12 58.64 60
## 296 10 22 5 7 5690 6 74 56 52.34 5000 13 48.92 80
## 297 10 23 6 7 5670 4 67 55 NA 5000 11 49.46 50
## 298 10 24 7 6 5760 4 75 58 NA 2719 25 56.84 50
## 299 10 25 1 13 5820 5 71 48 NA 1899 21 62.06 40
## 300 10 26 2 5 5790 3 35 54 NA 5000 -41 52.52 40
## 301 10 27 3 3 5760 5 23 57 53.42 5000 -21 50.90 300
## 302 10 28 4 7 5800 6 19 60 57.02 5000 -19 54.32 200
## 303 10 29 5 8 5810 7 59 61 55.76 2385 10 60.44 150
## 304 10 30 6 10 5750 4 60 63 NA 1938 0 62.60 100
## 305 10 31 7 12 5840 0 38 65 NA 590 -11 69.98 100
## 306 11 1 1 7 5860 3 NA 66 65.12 NA -32 NA 60
## 307 11 2 2 5 5870 6 NA 68 68.90 NA -42 NA 150
## 308 11 3 3 6 5920 3 22 71 69.08 328 -40 80.60 150
## 309 11 4 4 4 5900 0 NA 70 68.72 NA -43 NA 200
## 310 11 5 5 5 5860 7 19 70 62.78 5000 -29 61.70 300
## 311 11 6 6 11 5840 3 NA 70 NA NA -9 NA 120
## 312 11 7 7 20 5840 0 45 68 NA 597 -22 73.58 30
## 313 11 8 1 4 5850 5 NA 64 64.04 NA -25 NA 100
## 314 11 9 2 14 5810 2 47 69 60.98 469 -4 71.78 50
## 315 11 10 3 16 5770 2 73 59 57.20 1541 18 63.14 20
## 316 11 11 4 5 5710 4 67 49 44.24 5000 24 41.90 200
## 317 11 12 5 3 5500 9 56 39 41.36 5000 15 41.72 120
## 318 11 13 6 5 5660 3 54 50 NA 5000 27 44.60 300
## 319 11 14 7 1 5700 3 71 46 NA 5000 54 42.80 200
## 320 11 15 1 5 5810 5 59 54 54.50 5000 -28 53.60 70
## 321 11 16 2 4 5860 0 25 60 61.52 5000 -38 63.50 140
## 322 11 17 3 11 5900 0 24 62 62.60 5000 -36 60.08 150
## 323 11 18 4 6 5850 5 41 65 59.54 2014 -20 69.98 200
## 324 11 19 5 8 5780 3 50 66 59.72 436 1 70.34 4
## 325 11 20 6 14 5790 0 76 66 NA 830 3 66.02 40
## 326 11 21 7 18 5780 2 82 63 NA 1112 -8 66.38 30
## 327 11 22 1 12 5770 2 81 62 60.62 1210 -17 67.82 30
## 328 11 23 2 9 5750 2 85 60 59.72 501 -22 70.88 2
## 329 11 24 3 7 5780 5 76 63 60.44 875 -15 68.90 0
## 330 11 25 4 14 5790 5 66 60 NA 1601 7 62.06 30
## 331 11 26 5 4 5750 6 58 58 42.62 5000 59 41.90 60
## 332 11 27 6 3 5670 8 19 34 NA 5000 -63 37.04 150
## 333 11 28 7 3 5760 0 19 36 NA 5000 -52 41.00 100
## 334 11 29 1 3 5770 4 19 44 51.26 2280 -54 55.76 250
## 335 11 30 2 3 5810 2 19 53 55.94 2047 -43 63.50 150
## 336 12 1 3 3 5810 2 19 52 57.74 5000 -69 56.48 200
## 337 12 2 4 3 5870 3 19 53 60.80 3720 -50 61.34 200
## 338 12 3 5 3 5830 2 27 58 59.00 311 -24 69.98 200
## 339 12 4 6 6 5760 0 64 55 NA 2536 28 56.48 80
## 340 12 5 7 6 5680 0 52 50 NA 1154 -22 61.52 60
## 341 12 6 1 5 5780 4 19 48 54.14 2933 -40 59.90 300
## 342 12 7 2 3 5810 3 19 51 58.28 3064 -33 62.78 200
## 343 12 8 3 4 5760 0 32 62 56.12 826 -16 64.76 300
## 344 12 9 4 7 5680 0 58 40 46.94 5000 2 42.98 50
## 345 12 10 5 5 5750 0 26 44 52.88 111 -52 68.18 40
## 346 12 11 6 5 5790 5 19 49 NA 5000 -48 54.68 70
## 347 12 12 7 4 5770 3 19 53 NA 5000 -37 55.58 150
## 348 12 13 1 3 5750 0 19 53 51.98 5000 -26 51.08 150
## 349 12 14 2 2 5720 0 19 53 52.70 5000 -31 51.44 70
## 350 12 15 3 5 5760 3 19 55 58.10 948 -48 70.70 200
## 351 12 16 4 3 5780 0 19 51 54.32 5000 -50 50.90 120
## 352 12 17 5 4 5660 4 19 54 49.64 5000 -22 48.56 150
## 353 12 18 6 4 5610 2 58 48 NA 3687 -10 46.94 150
## 354 12 19 7 6 5640 0 51 53 NA 5000 0 44.24 60
## 355 12 20 1 6 5680 3 52 49 48.38 5000 -19 45.68 70
## 356 12 21 2 3 5650 5 19 48 47.12 5000 -28 45.32 150
## 357 12 22 3 4 5710 4 19 51 51.08 5000 -25 48.38 300
## 358 12 23 4 3 5680 4 57 47 45.32 508 -10 58.64 100
## 359 12 24 5 8 5630 4 50 50 NA 2851 -5 50.00 70
## 360 12 25 6 5 5770 0 NA 49 NA NA -35 NA 40
## 361 12 26 7 3 5800 7 19 51 NA 3143 NA 60.26 140
## 362 12 27 1 2 5730 3 53 51 49.28 111 -14 72.50 200
## 363 12 28 2 3 5690 3 23 51 49.28 5000 -36 51.26 70
## 364 12 29 3 5 5650 3 61 50 46.58 3704 18 46.94 40
## 365 12 30 4 1 5550 4 85 39 41.00 5000 8 39.92 100
## 366 12 31 5 2 NA 4 68 37 NA 5000 -3 37.22 70clean_data <- na.omit(Ozone)
features <- clean_data[, 4:6]
features## V4 V5 V6
## 5 5 5760 3
## 6 6 5720 4
## 7 4 5790 6
## 8 4 5790 3
## 9 6 5700 3
## 12 6 5720 3
## 13 5 5760 6
## 14 4 5780 6
## 15 4 5830 3
## 16 7 5870 2
## 19 4 5680 5
## 21 4 5760 3
## 22 4 5730 4
## 23 5 5700 5
## 27 6 5820 5
## 29 6 5810 5
## 30 11 5790 3
## 33 12 5770 8
## 34 9 5670 3
## 35 2 5590 3
## 36 3 5410 6
## 37 3 5350 7
## 40 3 5490 11
## 41 4 5560 10
## 43 8 5680 5
## 44 6 5700 4
## 48 11 5770 5
## 49 13 5770 3
## 51 6 5690 8
## 54 4 5690 7
## 55 6 5640 5
## 56 10 5720 6
## 57 15 5740 3
## 58 23 5740 3
## 61 2 5550 10
## 62 3 5470 7
## 63 3 5320 11
## 65 4 5530 3
## 68 7 5580 5
## 69 6 5510 5
## 70 3 5530 5
## 71 2 5620 9
## 72 8 5690 0
## 75 16 5780 5
## 76 9 5790 2
## 77 24 5760 3
## 78 13 5700 4
## 79 8 5680 4
## 82 9 5730 4
## 83 10 5710 5
## 85 14 5720 4
## 86 9 5710 3
## 89 9 5690 7
## 90 12 5730 6
## 91 12 5710 3
## 92 8 5610 6
## 93 9 5680 5
## 96 4 5540 5
## 97 9 5590 6
## 98 13 5690 6
## 99 5 5550 7
## 100 10 5620 7
## 103 5 5560 4
## 104 4 5440 5
## 105 7 5480 7
## 106 3 5620 5
## 110 15 5760 4
## 111 22 5790 4
## 112 17 5720 5
## 113 7 5660 6
## 114 10 5710 5
## 117 12 5700 5
## 118 6 5620 9
## 119 9 5650 6
## 120 19 5730 5
## 121 21 5810 4
## 125 11 5690 4
## 127 2 5680 6
## 128 12 5650 8
## 131 20 5760 7
## 132 27 5830 6
## 133 33 5880 3
## 134 25 5890 6
## 135 31 5850 4
## 146 9 5730 5
## 149 5 5750 3
## 154 17 5780 8
## 155 19 5740 6
## 156 16 5730 6
## 159 9 5690 8
## 160 7 5650 6
## 161 5 5610 3
## 162 2 5570 9
## 163 12 5690 5
## 166 26 5830 4
## 167 27 5880 6
## 168 14 5860 3
## 169 11 5830 6
## 170 23 5870 4
## 173 15 5800 4
## 174 20 5770 5
## 175 15 5860 4
## 176 18 5870 7
## 188 34 5900 6
## 191 24 5910 4
## 194 14 5830 3
## 195 13 5850 9
## 196 17 5830 6
## 198 22 5810 8
## 201 25 5840 7
## 202 28 5870 6
## 203 29 5870 4
## 205 23 5860 3
## 208 13 5880 4
## 209 26 5890 6
## 210 22 5870 8
## 215 9 5770 3
## 216 12 5790 4
## 222 14 5840 7
## 224 24 5910 5
## 225 19 5890 5
## 229 4 5780 7
## 230 6 5750 7
## 231 12 5760 5
## 233 15 5730 5
## 237 22 5890 7
## 238 24 5880 4
## 239 26 5870 7
## 240 32 5900 6
## 243 38 5950 5
## 244 23 5950 8
## 245 19 5900 5
## 246 19 5890 8
## 247 15 5860 7
## 251 26 5810 6
## 252 17 5850 4
## 257 29 5830 5
## 258 18 5840 5
## 259 3 5800 7
## 261 9 5790 3
## 265 23 5780 6
## 266 13 5800 6
## 268 7 5800 5
## 271 11 5770 5
## 272 12 5750 4
## 273 5 5640 5
## 274 4 5640 7
## 275 5 5650 3
## 278 17 5840 4
## 279 26 5880 3
## 280 30 5890 5
## 281 18 5890 4
## 282 12 5890 5
## 286 7 5830 8
## 287 28 5860 5
## 288 22 5830 5
## 289 18 5800 7
## 292 10 5730 4
## 293 14 5780 5
## 294 9 5740 7
## 295 12 5710 8
## 296 7 5690 6
## 301 3 5760 5
## 302 7 5800 6
## 303 8 5810 7
## 308 6 5920 3
## 310 5 5860 7
## 314 14 5810 2
## 315 16 5770 2
## 316 5 5710 4
## 317 3 5500 9
## 320 5 5810 5
## 321 4 5860 0
## 322 11 5900 0
## 323 6 5850 5
## 324 8 5780 3
## 327 12 5770 2
## 328 9 5750 2
## 329 7 5780 5
## 331 4 5750 6
## 334 3 5770 4
## 335 3 5810 2
## 336 3 5810 2
## 337 3 5870 3
## 338 3 5830 2
## 341 5 5780 4
## 342 3 5810 3
## 343 4 5760 0
## 344 7 5680 0
## 345 5 5750 0
## 348 3 5750 0
## 349 2 5720 0
## 350 5 5760 3
## 351 3 5780 0
## 352 4 5660 4
## 355 6 5680 3
## 356 3 5650 5
## 357 4 5710 4
## 358 3 5680 4
## 362 2 5730 3
## 363 3 5690 3
## 364 5 5650 3
## 365 1 5550 4target <- clean_data$V4
boruta_result <- Boruta(features, target, doTrace = 2)## 1. run of importance source...## 2. run of importance source...## 3. run of importance source...## 4. run of importance source...## 5. run of importance source...## 6. run of importance source...## 7. run of importance source...## 8. run of importance source...## 9. run of importance source...## After 9 iterations, +0.34 secs:## confirmed 2 attributes: V4, V5;## still have 1 attribute left.## 10. run of importance source...## 11. run of importance source...## 12. run of importance source...## After 12 iterations, +0.45 secs:## confirmed 1 attribute: V6;## no more attributes left.boruta_result## Boruta performed 12 iterations in 0.4484859 secs.
## 3 attributes confirmed important: V4, V5, V6;
## No attributes deemed unimportant.plot(boruta_result, main = "Boruta Feature Importance", col=c("#f15596", "#7891e2", "#9a63e3"))
Из графика можно сделать вывод, что признак V4 наиболее важен для
признака V4, когда как V5 и V6 находится немного ближе к искусственным
значениям, а зачит может иметь менее важную роль.
Теперь выберем целевой переменной V1.Из графика можно сделать вывод, что признаки V4 и V5 наиболее важны для признака V4, когда как V5 находится немного ближе к искусственным значениям, а зачит может иметь менее важную роль.
target <- clean_data$V1
boruta_result <- Boruta(features, target, doTrace = 2)## 1. run of importance source...## 2. run of importance source...## 3. run of importance source...## 4. run of importance source...## 5. run of importance source...## 6. run of importance source...## 7. run of importance source...## 8. run of importance source...## 9. run of importance source...## After 9 iterations, +0.49 secs:## confirmed 3 attributes: V4, V5, V6;## no more attributes left.boruta_result## Boruta performed 9 iterations in 0.4894519 secs.
## 3 attributes confirmed important: V4, V5, V6;
## No attributes deemed unimportant.plot(boruta_result, main = "Boruta Feature Importance", col=c("#f15596", "#7891e2", "#9a63e3"))