KNN分类算法实现By Java

最新推荐文章于 2023-05-11 09:44:35 发布
最新推荐文章于 2023-05-11 09:44:35 发布
阅读量2.1k 收藏 2
点赞数
分类专栏： 工作足迹
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013491262/article/details/51526523
版权

K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。[摘自百度百科]

样本读入类

import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

public class SampleRead {

	private double[][] fetures;
	private double[] lables;

	private String inputfile;

	public SampleRead(String inputfile) {
		this.inputfile = inputfile;
		svmread();
	}

	public void svmread() {
		File file = new File(inputfile);
		List<String> readers = new ArrayList<String>();
		BufferedReader reader = null;
		try {
			reader = new BufferedReader(new FileReader(file));
			String tempString = null;
			while ((tempString = reader.readLine()) != null) {
				readers.add(tempString);
			}
			int rows = readers.size();
			lables = new double[rows];
			fetures = new double[rows][];
			for (int idx = 0; idx < rows; idx++) {
				String[] dir = readers.get(idx).split(" ");
				lables[idx] = Double.parseDouble(dir[0]);
				fetures[idx] = new double[dir.length - 1];
				for (int i = 1; i < dir.length; i++) {
					fetures[idx][i - 1] = Double
							.parseDouble(dir[i].split(":")[1]);
				}
			}
			reader.close();
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			if (reader != null) {
				try {
					reader.close();
				} catch (IOException e1) {
				}
			}
		}
	}

	public double[][] getFetures() {
		return fetures;
	}

	public void setFetures(double[][] fetures) {
		this.fetures = fetures;
	}

	public double[] getLables() {
		return lables;
	}

	public void setLables(double[] lables) {
		this.lables = lables;
	}

}


KNN算法 
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import java.util.NavigableMap;
import java.util.TreeMap;

public class KNN {

	int K;

	public KNN(int k) {
		this.K = k;
	}

	private static class Sample {
		public double lable;
		public double prelable;
		List<Double> features;

		Sample() {
			features = new ArrayList<Double>();
		}
	}

	private class Node {
		Double lable;
		Integer idx;

		Node(double lable, int idx) {
			this.lable = lable;
			this.idx = idx;
		}
	}

	private void readTrain(List<Sample> train, double[][] features,
			double[] lables) {

		int row = lables.length;
		int col = features[0].length;
		for (int i = 0; i < row; i++) {
			Sample sample = new Sample();
			for (int j = 0; j < col; j++) {
				sample.lable = lables[i];
				sample.features.add(features[i][j]);
			}
			train.add(sample);
		}
	}

	private void readTest(List<Sample> test, double[][] features,
			double[] lables) {

		int cow = lables.length;
		int col = features[0].length;
		for (int i = 0; i < cow; i++) {
			Sample sample = new Sample();
			for (int j = 0; j < col; j++) {
				sample.lable = lables[i];
				sample.features.add(features[i][j]);
			}
			test.add(sample);
		}
	}

	private double euclideanDistance(List<Double> v1, List<Double> v2) {
		double ret = 0.0;
		int n = v1.size();
		for (int i = 0; i < n; i++) {
			ret += (v1.get(i) - v2.get(i)) * (v1.get(i) - v2.get(i));
		}
		return Math.sqrt(ret);
	}

	private void initDistanceMatrix(List<List<Double>> dm, List<Sample> train,
			List<Sample> test) {
		for (int i = 0; i < test.size(); i++) {
			List<Double> vd = new ArrayList<Double>();
			for (int j = 0; j < train.size(); ++j) {
				vd.add(euclideanDistance(test.get(i).features,
						train.get(j).features));
			}
			dm.add(vd);
		}
	}

	private void knnProcess(List<Sample> test, List<Sample> train,
			List<List<Double>> dm, int k) {
		int idx = 0;
		for (int i = 0; i < test.size(); i++) {
			NavigableMap<Double, Node> dts = new TreeMap<Double, Node>(); // 保存与测试样本i距离最近的k个点
			for (int j = 0; j < dm.get(i).size(); j++) {
				if (dts.size() < k) // 把前面k个插入dts中
				{
					// 插入时会自动排序，按dts中的double排序，最小的排在最后
					dts.put(dm.get(i).get(j), new Node(train.get(j).lable,
							idx++));
				} else {
					Map.Entry<Double, Node> node = dts.pollLastEntry();
					if (dm.get(i).get(j) < node.getKey()) // 把当前测试样本i到当前训练样本之间的欧氏距离与dts中最小距离比较，若更小就更新dts
					{
						dts.put(dm.get(i).get(j), new Node(train.get(j).lable,
								idx++));
					} else
						dts.put(node.getKey(), node.getValue());
				}
			}

			double prelable = -1;
			Map<Double, Double> tds = new HashMap<Double, Double>();
			double weight = 0.0;
			// 下面for循环主要是求出与测试样本i最邻近的k个样本点中大多数属于的类别，即将其作为测试样本点i的类别
			for (Map.Entry<Double, Node> it : dts.entrySet()) {
				// 不考虑权重的情况，在 k 个样例中只要出现就加 1
				// 这里是考虑距离与权重的关系，距离越大权重越小
				Double val = tds.get(it.getValue().lable);
				if (val == null)
					val = 0.0;
				val += 1.0 / it.getKey();
				tds.put(it.getValue().lable, val);
				if (val > weight) {
					weight = val;
					prelable = it.getValue().lable; // 保存一下类别
				}
			}
			test.get(i).prelable = prelable;
		}
	}

	public int DoKnn(double trainfeatures[][], double[] trainlables,
			double testfeatures[][], double[] testlables) {
		List<Sample> train = new ArrayList<Sample>();
		List<Sample> test = new ArrayList<Sample>();
		readTrain(train, trainfeatures, trainlables);
		readTest(test, testfeatures, testlables);
		List<List<Double>> dm = new ArrayList<List<Double>>();
		initDistanceMatrix(dm, train, test);
		knnProcess(test, train, dm, K);
		int yes = 0;
		for (int i = 0; i < test.size(); i++) {
			if (test.get(i).lable == test.get(i).prelable)
				yes++;
		}
		System.out.println("Accuracy = " + yes * 100.0 / test.size() + "% ("
				+ yes + "/" + test.size() + ") (classification)");
		return yes;
	}
}

测试调用

adult from UCI 

Accuracy = 66.66666666666667% (160/240) (classification)

public class KnnTest {
	public static void main(String[] args) {

		SampleRead TrainsvmRead = new SampleRead("adult_train.txt");
		SampleRead TestsvmRead = new SampleRead("adult_test.txt");

		new KNN(2).DoKnn(TrainsvmRead.getFetures(), TrainsvmRead.getLables(),
				TestsvmRead.getFetures(), TestsvmRead.getLables());

	}

}

adult_train.txt 

1 1:39 2:1 3:77516 4:1 5:13 6:1 7:1 8:1 9:1 10:1 11:2174 12:0 13:40 14:1
1 1:50 2:2 3:83311 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:13 14:1
1 1:38 2:3 3:215646 4:2 5:9 6:3 7:3 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:53 2:3 3:234721 4:3 5:7 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:28 2:3 3:338409 4:1 5:13 6:2 7:4 8:3 9:2 10:2 11:0 12:0 13:40 14:2
1 1:37 2:3 3:284582 4:4 5:14 6:2 7:2 8:3 9:1 10:2 11:0 12:0 13:40 14:1
1 1:49 2:3 3:160187 4:5 5:5 6:4 7:5 8:1 9:2 10:2 11:0 12:0 13:16 14:3
2 1:52 2:2 3:209642 4:2 5:9 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:45 14:1
2 1:31 2:3 3:45781 4:4 5:14 6:1 7:4 8:1 9:1 10:2 11:14084 12:0 13:50 14:1
2 1:42 2:3 3:159449 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:5178 12:0 13:40 14:1
2 1:37 2:3 3:280464 4:6 5:10 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:80 14:1
2 1:30 2:1 3:141297 4:1 5:13 6:2 7:4 8:2 9:3 10:1 11:0 12:0 13:40 14:4
1 1:23 2:3 3:122272 4:1 5:13 6:1 7:1 8:4 9:1 10:2 11:0 12:0 13:30 14:1
1 1:32 2:3 3:205019 4:7 5:12 6:1 7:6 8:1 9:2 10:1 11:0 12:0 13:50 14:1
1 1:34 2:3 3:245487 4:8 5:4 6:2 7:7 8:2 9:4 10:1 11:0 12:0 13:45 14:5
1 1:25 2:2 3:176756 4:2 5:9 6:1 7:8 8:4 9:1 10:1 11:0 12:0 13:35 14:1
1 1:32 2:3 3:186824 4:2 5:9 6:1 7:9 8:5 9:1 10:1 11:0 12:0 13:40 14:1
1 1:38 2:3 3:28887 4:3 5:7 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:50 14:1
2 1:43 2:2 3:292175 4:4 5:14 6:3 7:2 8:5 9:1 10:2 11:0 12:0 13:45 14:1
2 1:40 2:3 3:193524 4:9 5:16 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:60 14:1
1 1:54 2:3 3:302146 4:2 5:9 6:5 7:5 8:5 9:2 10:2 11:0 12:0 13:20 14:1
1 1:35 2:4 3:76845 4:5 5:5 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:43 2:3 3:117037 4:3 5:7 6:2 7:7 8:2 9:1 10:1 11:0 12:2042 13:40 14:1
1 1:59 2:3 3:109015 4:2 5:9 6:3 7:10 8:5 9:1 10:2 11:0 12:0 13:40 14:1
2 1:56 2:5 3:216851 4:1 5:13 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:19 2:3 3:168294 4:2 5:9 6:1 7:11 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:39 2:3 3:367260 4:2 5:9 6:3 7:2 8:1 9:1 10:1 11:0 12:0 13:80 14:1
1 1:49 2:3 3:193366 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:23 2:5 3:190709 4:7 5:12 6:1 7:12 8:1 9:1 10:1 11:0 12:0 13:52 14:1
1 1:20 2:3 3:266015 4:6 5:10 6:1 7:6 8:4 9:2 10:1 11:0 12:0 13:44 14:1
1 1:45 2:3 3:386940 4:1 5:13 6:3 7:2 8:4 9:1 10:1 11:0 12:1408 13:40 14:1
1 1:30 2:4 3:59951 4:6 5:10 6:2 7:1 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:22 2:1 3:311512 4:6 5:10 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:15 14:1
1 1:48 2:3 3:242406 4:3 5:7 6:1 7:9 8:5 9:1 10:1 11:0 12:0 13:40 14:6
1 1:21 2:3 3:197200 4:6 5:10 6:1 7:9 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:19 2:3 3:544091 4:2 5:9 6:6 7:1 8:3 9:1 10:2 11:0 12:0 13:25 14:1
1 1:48 2:2 3:265477 4:7 5:12 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:31 2:3 3:507875 4:5 5:5 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:43 14:1
1 1:53 2:2 3:88506 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:24 2:3 3:172987 4:1 5:13 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:49 2:3 3:94638 4:2 5:9 6:5 7:1 8:5 9:1 10:2 11:0 12:0 13:40 14:1
1 1:25 2:3 3:289980 4:2 5:9 6:1 7:3 8:1 9:1 10:1 11:0 12:0 13:35 14:1
2 1:57 2:4 3:337895 4:1 5:13 6:2 7:4 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:53 2:3 3:144361 4:2 5:9 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:38 14:1
1 1:44 2:3 3:128354 4:4 5:14 6:3 7:2 8:5 9:1 10:2 11:0 12:0 13:40 14:1
1 1:41 2:1 3:101603 4:10 5:11 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:29 2:3 3:271466 4:10 5:11 6:1 7:4 8:1 9:1 10:1 11:0 12:0 13:43 14:1
1 1:25 2:3 3:32275 4:6 5:10 6:2 7:2 8:3 9:5 10:2 11:0 12:0 13:40 14:1
2 1:47 2:3 3:51835 4:11 5:15 6:2 7:4 8:3 9:1 10:2 11:0 12:1902 13:60 14:7
2 1:50 2:4 3:251585 4:1 5:13 6:3 7:2 8:1 9:1 10:1 11:0 12:0 13:55 14:1
1 1:47 2:6 3:109832 4:2 5:9 6:3 7:2 8:1 9:1 10:1 11:0 12:0 13:60 14:1
2 1:43 2:3 3:237993 4:6 5:10 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:46 2:3 3:216666 4:12 5:3 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:40 14:5
1 1:35 2:3 3:56352 4:10 5:11 6:2 7:5 8:2 9:1 10:1 11:0 12:0 13:40 14:6
1 1:41 2:3 3:147372 4:2 5:9 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:48 14:1
1 1:30 2:3 3:188146 4:2 5:9 6:2 7:9 8:2 9:1 10:1 11:5013 12:0 13:40 14:1
1 1:30 2:3 3:59496 4:1 5:13 6:2 7:6 8:2 9:1 10:1 11:2407 12:0 13:40 14:1
1 1:48 2:3 3:149640 4:2 5:9 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:42 2:3 3:116632 4:9 5:16 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:45 14:1
1 1:29 2:3 3:105598 4:6 5:10 6:3 7:10 8:1 9:1 10:1 11:0 12:0 13:58 14:1
1 1:36 2:3 3:155537 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:28 2:3 3:183175 4:6 5:10 6:3 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
2 1:53 2:3 3:169846 4:2 5:9 6:2 7:1 8:3 9:1 10:2 11:0 12:0 13:40 14:1
2 1:49 2:6 3:191681 4:6 5:10 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:19 2:3 3:101509 4:6 5:10 6:1 7:4 8:4 9:1 10:1 11:0 12:0 13:32 14:1
1 1:31 2:3 3:309974 4:1 5:13 6:5 7:6 8:4 9:2 10:2 11:0 12:0 13:40 14:1
2 1:29 2:2 3:162298 4:1 5:13 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:70 14:1
1 1:23 2:3 3:211678 4:6 5:10 6:1 7:9 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:79 2:3 3:124744 4:6 5:10 6:2 7:4 8:6 9:1 10:1 11:0 12:0 13:20 14:1
1 1:27 2:3 3:213921 4:2 5:9 6:1 7:5 8:4 9:1 10:1 11:0 12:0 13:40 14:5
1 1:40 2:3 3:32214 4:7 5:12 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:18 2:3 3:309634 4:3 5:7 6:1 7:5 8:4 9:1 10:2 11:0 12:0 13:22 14:1
1 1:31 2:5 3:125927 4:8 5:4 6:2 7:8 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:18 2:3 3:446839 4:2 5:9 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:30 14:1
1 1:52 2:3 3:276515 4:1 5:13 6:2 7:5 8:2 9:1 10:1 11:0 12:0 13:40 14:2
1 1:46 2:3 3:51618 4:2 5:9 6:2 7:5 8:3 9:1 10:2 11:0 12:0 13:40 14:1
1 1:59 2:3 3:159937 4:2 5:9 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:48 14:1
2 1:44 2:3 3:343591 4:2 5:9 6:3 7:11 8:1 9:1 10:2 11:14344 12:0 13:40 14:1
1 1:53 2:3 3:346253 4:2 5:9 6:3 7:6 8:4 9:1 10:2 11:0 12:0 13:35 14:1
2 1:49 2:5 3:268234 4:2 5:9 6:2 7:12 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:33 2:3 3:202051 4:4 5:14 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:30 2:3 3:54334 4:5 5:5 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:40 14:1
2 1:43 2:4 3:410867 4:9 5:16 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:50 14:1
1 1:57 2:3 3:249977 4:10 5:11 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:37 2:3 3:286730 4:6 5:10 6:3 7:11 8:5 9:1 10:2 11:0 12:0 13:40 14:1
1 1:28 2:3 3:212563 4:6 5:10 6:3 7:9 8:5 9:2 10:2 11:0 12:0 13:25 14:1
2 1:34 2:5 3:226296 4:1 5:13 6:2 7:12 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:29 2:5 3:115585 4:6 5:10 6:1 7:3 8:1 9:1 10:1 11:0 12:0 13:50 14:1
2 1:48 2:2 3:191277 4:9 5:16 6:2 7:4 8:2 9:1 10:1 11:0 12:1902 13:60 14:1
2 1:37 2:3 3:202683 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:48 14:1
1 1:48 2:3 3:171095 4:7 5:12 6:3 7:2 8:5 9:1 10:2 11:0 12:0 13:40 14:8
1 1:32 2:4 3:249409 4:2 5:9 6:1 7:5 8:4 9:2 10:1 11:0 12:0 13:40 14:1
2 1:76 2:3 3:124191 4:4 5:14 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:44 2:3 3:198282 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:15024 12:0 13:60 14:1
1 1:47 2:2 3:149116 4:4 5:14 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:50 14:1
1 1:20 2:3 3:188300 4:6 5:10 6:1 7:10 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:29 2:3 3:103432 4:2 5:9 6:1 7:11 8:1 9:1 10:1 11:0 12:0 13:40 14:1
2 1:32 2:6 3:317660 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:7688 12:0 13:40 14:1
1 1:30 2:3 3:194901 4:3 5:7 6:1 7:3 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:31 2:5 3:189265 4:2 5:9 6:1 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:42 2:3 3:124692 4:2 5:9 6:2 7:3 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:24 2:3 3:432376 4:1 5:13 6:1 7:6 8:6 9:1 10:1 11:0 12:0 13:40 14:1
2 1:38 2:3 3:65324 4:11 5:15 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:56 2:2 3:335605 4:2 5:9 6:2 7:5 8:2 9:1 10:1 11:0 12:1887 13:50 14:9
1 1:28 2:3 3:377869 4:6 5:10 6:2 7:6 8:3 9:1 10:2 11:4064 12:0 13:25 14:1
1 1:36 2:3 3:102864 4:2 5:9 6:1 7:9 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:53 2:3 3:95647 4:5 5:5 6:2 7:3 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:56 2:6 3:303090 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:50 14:1
2 1:49 2:5 3:197371 4:10 5:11 6:2 7:11 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:55 2:3 3:247552 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:56 14:1
1 1:22 2:3 3:102632 4:2 5:9 6:1 7:11 8:1 9:1 10:1 11:0 12:0 13:41 14:1
1 1:21 2:3 3:199915 4:6 5:10 6:1 7:5 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:40 2:3 3:118853 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:60 14:1
1 1:30 2:3 3:77143 4:1 5:13 6:1 7:2 8:4 9:2 10:1 11:0 12:0 13:40 14:10
2 1:29 2:1 3:267989 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:19 2:3 3:301606 4:6 5:10 6:1 7:5 8:4 9:2 10:1 11:0 12:0 13:35 14:1
2 1:47 2:3 3:287828 4:1 5:13 6:2 7:2 8:3 9:1 10:2 11:0 12:0 13:40 14:1
1 1:20 2:3 3:111697 4:6 5:10 6:1 7:1 8:4 9:1 10:2 11:0 12:1719 13:28 14:1
2 1:31 2:3 3:114937 4:7 5:12 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:39 2:3 3:365739 4:6 5:10 6:3 7:11 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:28 2:3 3:69621 4:7 5:12 6:1 7:6 8:1 9:1 10:2 11:0 12:0 13:60 14:1
1 1:24 2:3 3:43323 4:2 5:9 6:1 7:5 8:1 9:1 10:2 11:0 12:1762 13:40 14:1
1 1:38 2:2 3:120985 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:4386 12:0 13:35 14:1
1 1:37 2:3 3:254202 4:1 5:13 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:46 2:3 3:146195 4:7 5:12 6:3 7:10 8:1 9:2 10:2 11:0 12:0 13:36 14:1
2 1:38 2:4 3:125933 4:4 5:14 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:11
1 1:43 2:2 3:56920 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:60 14:1
1 1:27 2:3 3:163127 4:10 5:11 6:2 7:1 8:3 9:1 10:2 11:0 12:0 13:35 14:1
1 1:20 2:3 3:34310 4:6 5:10 6:1 7:6 8:4 9:1 10:1 11:0 12:0 13:20 14:1
2 1:49 2:3 3:81973 4:6 5:10 6:2 7:11 8:2 9:3 10:1 11:0 12:0 13:40 14:1
1 1:61 2:6 3:66614 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:27 2:3 3:232782 4:6 5:10 6:1 7:6 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:19 2:3 3:316868 4:6 5:10 6:1 7:5 8:4 9:1 10:1 11:0 12:0 13:30 14:5
2 1:45 2:3 3:196584 4:10 5:11 6:1 7:4 8:1 9:1 10:2 11:0 12:1564 13:40 14:1
1 1:70 2:3 3:105376 4:6 5:10 6:1 7:10 8:6 9:1 10:1 11:0 12:0 13:40 14:1
1 1:31 2:3 3:185814 4:2 5:9 6:1 7:7 8:5 9:2 10:2 11:0 12:0 13:30 14:1
1 1:22 2:3 3:175374 4:6 5:10 6:2 7:5 8:2 9:1 10:1 11:0 12:0 13:24 14:1
1 1:36 2:3 3:108293 4:2 5:9 6:7 7:5 8:5 9:1 10:2 11:0 12:0 13:24 14:1
1 1:64 2:3 3:181232 4:3 5:7 6:2 7:11 8:2 9:1 10:1 11:0 12:2179 13:40 14:1
1 1:47 2:5 3:186009 4:6 5:10 6:3 7:1 8:5 9:1 10:2 11:0 12:0 13:38 14:5
1 1:34 2:3 3:198183 4:2 5:9 6:1 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:33 2:3 3:163003 4:1 5:13 6:1 7:2 8:6 9:3 10:2 11:0 12:0 13:40 14:12
1 1:21 2:3 3:296158 4:2 5:9 6:1 7:11 8:4 9:1 10:1 11:0 12:0 13:35 14:1
1 1:48 2:3 3:187715 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:46 14:1
1 1:23 2:3 3:214542 4:1 5:13 6:1 7:3 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:71 2:2 3:494223 4:6 5:10 6:5 7:6 8:5 9:2 10:1 11:0 12:1816 13:2 14:1
1 1:29 2:3 3:191535 4:2 5:9 6:3 7:11 8:1 9:1 10:1 11:0 12:0 13:60 14:1
1 1:42 2:3 3:228456 4:1 5:13 6:5 7:5 8:6 9:2 10:1 11:0 12:0 13:50 14:1
1 1:25 2:3 3:252752 4:2 5:9 6:1 7:5 8:5 9:1 10:2 11:0 12:0 13:40 14:1
1 1:44 2:6 3:78374 4:4 5:14 6:3 7:2 8:5 9:3 10:2 11:0 12:0 13:40 14:1
1 1:28 2:3 3:88419 4:2 5:9 6:1 7:2 8:1 9:3 10:2 11:0 12:0 13:40 14:8
2 1:45 2:2 3:201080 4:4 5:14 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:36 2:3 3:207157 4:6 5:10 6:3 7:5 8:5 9:1 10:2 11:0 12:0 13:40 14:5
1 1:39 2:4 3:235485 4:7 5:12 6:1 7:2 8:1 9:1 10:1 11:0 12:0 13:42 14:1
1 1:46 2:1 3:102628 4:4 5:14 6:7 7:12 8:5 9:1 10:1 11:0 12:0 13:40 14:1
1 1:18 2:3 3:25828 4:3 5:7 6:1 7:3 8:4 9:1 10:1 11:0 12:0 13:16 14:1
1 1:66 2:5 3:54826 4:10 5:11 6:7 7:4 8:1 9:1 10:2 11:0 12:0 13:20 14:1
1 1:27 2:3 3:124953 4:2 5:9 6:1 7:5 8:1 9:1 10:1 11:0 12:1980 13:40 14:1
1 1:28 2:1 3:175325 4:2 5:9 6:2 7:12 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:51 2:3 3:96062 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:1977 13:40 14:1
1 1:27 2:3 3:428030 4:1 5:13 6:1 7:11 8:1 9:1 10:1 11:0 12:0 13:50 14:1
2 1:28 2:1 3:149624 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:27 2:3 3:253814 4:2 5:9 6:4 7:6 8:5 9:1 10:2 11:0 12:0 13:25 14:1
1 1:21 2:3 3:312956 4:2 5:9 6:1 7:11 8:4 9:2 10:1 11:0 12:0 13:40 14:1
1 1:34 2:3 3:483777 4:2 5:9 6:1 7:3 8:1 9:2 10:1 11:0 12:0 13:40 14:1
1 1:18 2:3 3:183930 4:2 5:9 6:1 7:5 8:4 9:1 10:1 11:0 12:0 13:12 14:1
1 1:33 2:3 3:37274 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:65 14:1
2 1:44 2:5 3:181344 4:6 5:10 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:38 14:1
1 1:43 2:3 3:114580 4:6 5:10 6:3 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:30 2:3 3:633742 4:6 5:10 6:1 7:11 8:1 9:2 10:1 11:0 12:0 13:45 14:1
2 1:40 2:3 3:286370 4:8 5:4 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:40 14:5
2 1:37 2:4 3:29054 4:6 5:10 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:42 14:1
1 1:34 2:3 3:304030 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:41 2:2 3:143129 4:1 5:13 6:3 7:2 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:31 2:3 3:99928 4:4 5:14 6:2 7:4 8:3 9:1 10:2 11:0 12:0 13:50 14:1
2 1:58 2:1 3:109567 4:9 5:16 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:1 14:1
1 1:38 2:3 3:155222 4:6 5:10 6:3 7:9 8:1 9:2 10:2 11:0 12:0 13:28 14:1
1 1:24 2:3 3:159567 4:6 5:10 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:41 2:5 3:523910 4:1 5:13 6:2 7:11 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:47 2:3 3:120939 4:6 5:10 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:45 14:1
1 1:41 2:4 3:130760 4:1 5:13 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:24 14:1
1 1:23 2:3 3:197387 4:12 5:3 6:2 7:7 8:6 9:1 10:1 11:0 12:0 13:40 14:5
1 1:36 2:3 3:99374 4:6 5:10 6:3 7:11 8:1 9:1 10:1 11:0 12:0 13:40 14:1
2 1:40 2:4 3:56795 4:4 5:14 6:1 7:2 8:1 9:1 10:2 11:14084 12:0 13:55 14:1
2 1:35 2:3 3:138992 4:4 5:14 6:2 7:4 8:6 9:1 10:1 11:7298 12:0 13:40 14:1
1 1:24 2:2 3:32921 4:2 5:9 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:26 2:3 3:397317 4:4 5:14 6:1 7:4 8:1 9:1 10:2 11:0 12:1876 13:40 14:1
2 1:51 2:3 3:259323 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:42 2:5 3:254817 4:6 5:10 6:1 7:4 8:1 9:1 10:2 11:0 12:1340 13:40 14:1
1 1:37 2:1 3:48211 4:2 5:9 6:3 7:1 8:5 9:1 10:2 11:0 12:0 13:35 14:1
1 1:18 2:3 3:140164 4:3 5:7 6:1 7:6 8:4 9:1 10:2 11:0 12:0 13:40 14:1
2 1:36 2:3 3:128757 4:1 5:13 6:2 7:5 8:2 9:2 10:1 11:7298 12:0 13:36 14:1
1 1:35 2:3 3:36270 4:2 5:9 6:3 7:11 8:1 9:1 10:1 11:0 12:0 13:60 14:1
2 1:58 2:6 3:210563 4:2 5:9 6:2 7:6 8:3 9:1 10:2 11:15024 12:0 13:35 14:1
1 1:17 2:3 3:65368 4:3 5:7 6:1 7:6 8:4 9:1 10:2 11:0 12:0 13:12 14:1
1 1:44 2:5 3:160943 4:2 5:9 6:2 7:7 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:37 2:3 3:208358 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:35 2:3 3:153790 4:6 5:10 6:1 7:6 8:1 9:4 10:2 11:0 12:0 13:40 14:1
1 1:60 2:3 3:85815 4:2 5:9 6:2 7:11 8:2 9:3 10:1 11:0 12:0 13:40 14:1
2 1:54 2:6 3:125417 4:8 5:4 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:37 2:3 3:635913 4:1 5:13 6:1 7:2 8:1 9:2 10:1 11:0 12:0 13:60 14:1
1 1:50 2:3 3:313321 4:7 5:12 6:3 7:6 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:38 2:3 3:182609 4:1 5:13 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:50 14:13
1 1:45 2:3 3:109434 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:55 14:1
1 1:25 2:3 3:255004 4:13 5:6 6:1 7:11 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:31 2:3 3:197860 4:6 5:10 6:2 7:3 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:90 2:3 3:51744 4:2 5:9 6:1 7:5 8:1 9:2 10:1 11:0 12:2206 13:40 14:1
1 1:54 2:3 3:176681 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:20 14:1
1 1:53 2:5 3:140359 4:14 5:1 6:1 7:9 8:1 9:1 10:2 11:0 12:0 13:35 14:1
1 1:18 2:3 3:243313 4:2 5:9 6:1 7:6 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:66 2:2 3:167687 4:2 5:9 6:2 7:8 8:2 9:1 10:1 11:1409 12:0 13:50 14:1
1 1:75 2:3 3:314209 4:10 5:11 6:7 7:1 8:1 9:1 10:2 11:0 12:0 13:20 14:14
1 1:65 2:3 3:176796 4:2 5:9 6:3 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:35 2:3 3:538583 4:3 5:7 6:5 7:7 8:1 9:2 10:1 11:3674 12:0 13:40 14:1
1 1:41 2:3 3:130408 4:2 5:9 6:3 7:6 8:5 9:2 10:2 11:0 12:0 13:38 14:1
1 1:25 2:3 3:159732 4:6 5:10 6:1 7:1 8:1 9:1 10:1 11:0 12:0 13:42 14:1
1 1:33 2:3 3:110978 4:6 5:10 6:3 7:11 8:6 9:5 10:2 11:0 12:0 13:40 14:1
2 1:28 2:3 3:76714 4:11 5:15 6:1 7:4 8:1 9:1 10:1 11:0 12:0 13:55 14:1
1 1:59 2:1 3:268700 4:2 5:9 6:2 7:5 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:40 2:1 3:170525 4:6 5:10 6:1 7:1 8:1 9:1 10:2 11:0 12:0 13:38 14:1
2 1:41 2:3 3:180138 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:50 14:11
2 1:38 2:5 3:115076 4:4 5:14 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:70 14:1
1 1:23 2:3 3:115458 4:2 5:9 6:1 7:7 8:4 9:1 10:1 11:0 12:0 13:40 14:1
2 1:40 2:3 3:347890 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:41 2:2 3:196001 4:2 5:9 6:2 7:5 8:3 9:1 10:2 11:0 12:0 13:20 14:1
1 1:24 2:1 3:273905 4:7 5:12 6:2 7:12 8:2 9:1 10:1 11:0 12:0 13:50 14:1
1 1:38 2:3 3:179488 4:6 5:10 6:3 7:11 8:1 9:1 10:1 11:0 12:1741 13:40 14:1
2 1:58 2:3 3:236596 4:2 5:9 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:45 14:1
1 1:32 2:3 3:183916 4:2 5:9 6:1 7:5 8:1 9:1 10:2 11:0 12:0 13:34 14:1
2 1:40 2:3 3:207578 4:7 5:12 6:2 7:10 8:2 9:1 10:1 11:0 12:1977 13:60 14:1
2 1:41 2:3 3:112763 4:11 5:15 6:2 7:4 8:3 9:1 10:2 11:0 12:0 13:40 14:1
1 1:42 2:3 3:390781 4:1 5:13 6:2 7:1 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:59 2:5 3:171328 4:13 5:6 6:7 7:5 8:5 9:2 10:2 11:0 12:0 13:30 14:1
1 1:19 2:5 3:27382 4:6 5:10 6:1 7:1 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:58 2:3 3:259014 4:6 5:10 6:1 7:7 8:1 9:1 10:1 11:0 12:0 13:20 14:1
2 1:42 2:2 3:303044 4:2 5:9 6:2 7:8 8:2 9:3 10:1 11:0 12:0 13:40 14:15
1 1:20 2:3 3:117789 4:2 5:9 6:1 7:5 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:32 2:3 3:172579 4:2 5:9 6:5 7:5 8:1 9:1 10:2 11:0 12:0 13:30 14:1
1 1:45 2:3 3:187666 4:10 5:11 6:7 7:2 8:1 9:1 10:2 11:0 12:0 13:45 14:1
1 1:50 2:3 3:204518 4:8 5:4 6:3 7:11 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:36 2:3 3:150042 4:1 5:13 6:3 7:4 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:45 2:3 3:98092 4:2 5:9 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:60 14:1
1 1:17 2:3 3:245918 4:3 5:7 6:1 7:5 8:4 9:1 10:1 11:0 12:0 13:12 14:1
1 1:59 2:3 3:146013 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:4064 12:0 13:40 14:1
1 1:26 2:3 3:378322 4:3 5:7 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:37 2:6 3:257295 4:6 5:10 6:2 7:2 8:2 9:3 10:1 11:0 12:0 13:75 14:16
2 1:64 2:3 3:21174 4:2 5:9 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:33 2:3 3:185480 4:1 5:13 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:45 14:1
2 1:33 2:3 3:222205 4:2 5:9 6:2 7:11 8:3 9:1 10:2 11:0 12:0 13:40 14:1
2 1:61 2:3 3:69867 4:2 5:9 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:17 2:3 3:191260 4:5 5:5 6:1 7:5 8:4 9:1 10:1 11:1055 12:0 13:24 14:1
1 1:50 2:2 3:30653 4:4 5:14 6:2 7:8 8:2 9:1 10:1 11:2407 12:0 13:98 14:1
1 1:27 2:5 3:209109 4:4 5:14 6:1 7:4 8:4 9:1 10:1 11:0 12:0 13:35 14:1
1 1:30 2:3 3:70377 4:2 5:9 6:3 7:4 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:43 2:3 3:477983 4:2 5:9 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:44 2:3 3:170924 4:6 5:10 6:2 7:11 8:2 9:1 10:1 11:7298 12:0 13:40 14:1
1 1:35 2:3 3:190174 4:6 5:10 6:1 7:2 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:25 2:3 3:193787 4:6 5:10 6:1 7:10 8:4 9:1 10:2 11:0 12:0 13:40 14:1
2 1:24 2:3 3:279472 4:6 5:10 6:2 7:9 8:3 9:1 10:2 11:7298 12:0 13:48 14:1
1 1:22 2:3 3:34918 4:1 5:13 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:15 14:10
2 1:42 2:5 3:97688 4:6 5:10 6:2 7:11 8:2 9:1 10:1 11:5178 12:0 13:40 14:1
1 1:34 2:3 3:175413 4:7 5:12 6:3 7:6 8:5 9:2 10:2 11:0 12:0 13:45 14:1
1 1:60 2:3 3:173960 4:1 5:13 6:3 7:4 8:1 9:1 10:2 11:0 12:0 13:42 14:1
1 1:21 2:3 3:205759 4:2 5:9 6:1 7:3 8:4 9:1 10:1 11:0 12:0 13:40 14:1
2 1:57 2:4 3:425161 4:4 5:14 6:2 7:6 8:2 9:1 10:1 11:15024 12:0 13:40 14:1
2 1:41 2:3 3:220531 4:11 5:15 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:60 14:1
1 1:50 2:3 3:176609 4:6 5:10 6:3 7:5 8:1 9:1 10:1 11:0 12:0 13:45 14:1
1 1:25 2:3 3:371987 4:1 5:13 6:1 7:2 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:50 2:3 3:193884 4:8 5:4 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:17
1 1:36 2:3 3:200352 4:1 5:13 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:45 14:1
1 1:31 2:3 3:127595 4:2 5:9 6:3 7:4 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:29 2:5 3:220419 4:1 5:13 6:1 7:12 8:1 9:1 10:1 11:0 12:0 13:56 14:1
1 1:21 2:3 3:231931 4:6 5:10 6:1 7:6 8:4 9:1 10:1 11:0 12:0 13:45 14:1
1 1:27 2:3 3:248402 4:1 5:13 6:1 7:10 8:5 9:2 10:2 11:0 12:0 13:40 14:1
1 1:65 2:3 3:111095 4:2 5:9 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:16 14:1
1 1:37 2:6 3:57424 4:1 5:13 6:3 7:6 8:1 9:1 10:2 11:0 12:0 13:60 14:1
1 1:24 2:3 3:278130 4:2 5:9 6:1 7:11 8:4 9:1 10:1 11:0 12:0 13:40 14:1
1 1:38 2:3 3:169469 4:2 5:9 6:3 7:6 8:1 9:1 10:1 11:0 12:0 13:80 14:1
2 1:48 2:3 3:146268 4:1 5:13 6:2 7:1 8:2 9:1 10:1 11:7688 12:0 13:40 14:1
1 1:21 2:3 3:153718 4:6 5:10 6:1 7:5 8:1 9:3 10:2 11:0 12:0 13:25 14:1
2 1:31 2:3 3:217460 4:2 5:9 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:45 14:1
2 1:55 2:3 3:238638 4:2 5:9 6:2 7:6 8:2 9:1 10:1 11:4386 12:0 13:40 14:1
1 1:24 2:3 3:303296 4:6 5:10 6:2 7:1 8:3 9:3 10:2 11:0 12:0 13:40 14:18
1 1:43 2:3 3:173321 4:2 5:9 6:3 7:1 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:26 2:3 3:193945 4:7 5:12 6:1 7:10 8:1 9:1 10:1 11:0 12:0 13:45 14:1
1 1:46 2:3 3:83082 4:7 5:12 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:33 14:1
2 1:35 2:3 3:193815 4:7 5:12 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:41 2:6 3:34987 4:6 5:10 6:2 7:8 8:2 9:1 10:1 11:0 12:0 13:54 14:1
1 1:26 2:3 3:59306 4:1 5:13 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:40 14:1
2 1:34 2:3 3:142897 4:4 5:14 6:2 7:2 8:2 9:3 10:1 11:7298 12:0 13:35 14:19
2 1:36 2:2 3:205607 4:1 5:13 6:3 7:4 8:1 9:2 10:2 11:0 12:0 13:40 14:1
1 1:22 2:3 3:199698 4:6 5:10 6:1 7:6 8:4 9:1 10:1 11:0 12:0 13:15 14:1
1 1:24 2:3 3:191954 4:6 5:10 6:1 7:9 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:77 2:2 3:138714 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:22 2:3 3:399087 4:12 5:3 6:2 7:9 8:6 9:1 10:2 11:0 12:0 13:40 14:5
1 1:29 2:3 3:423158 4:6 5:10 6:1 7:10 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:62 2:3 3:159841 4:2 5:9 6:7 7:5 8:1 9:1 10:2 11:0 12:0 13:24 14:1
1 1:39 2:2 3:174308 4:2 5:9 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:43 2:3 3:50356 4:6 5:10 6:2 7:11 8:2 9:1 10:1 11:0 12:1485 13:50 14:1
1 1:35 2:3 3:186110 4:2 5:9 6:3 7:7 8:1 9:1 10:1 11:0 12:0 13:45 14:1
1 1:29 2:3 3:200381 4:3 5:7 6:1 7:2 8:1 9:1 10:2 11:0 12:0 13:40 14:1
1 1:76 2:2 3:174309 4:4 5:14 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:10 14:1
1 1:63 2:2 3:78383 4:2 5:9 6:2 7:8 8:2 9:1 10:1 11:0 12:0 13:45 14:1
2 1:43 2:3 3:187728 4:6 5:10 6:2 7:4 8:3 9:1 10:2 11:0 12:1887 13:50 14:1
1 1:58 2:2 3:321171 4:2 5:9 6:2 7:3 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:66 2:3 3:127921 4:2 5:9 6:1 7:7 8:1 9:1 10:1 11:2050 12:0 13:55 14:1
1 1:41 2:3 3:206565 4:6 5:10 6:1 7:11 8:1 9:2 10:1 11:0 12:0 13:45 14:1
1 1:26 2:3 3:224563 4:1 5:13 6:1 7:1 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:47 2:3 3:178686 4:10 5:11 6:1 7:5 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:55 2:5 3:98545 4:13 5:6 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:53 2:3 3:242606 4:2 5:9 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:17 2:3 3:270942 4:12 5:3 6:1 7:5 8:6 9:1 10:1 11:0 12:0 13:48 14:5
1 1:30 2:3 3:94235 4:2 5:9 6:1 7:11 8:6 9:1 10:1 11:0 12:0 13:40 14:1
1 1:49 2:3 3:71195 4:4 5:14 6:1 7:4 8:1 9:1 10:1 11:0 12:0 13:60 14:1
1 1:19 2:3 3:104112 4:2 5:9 6:1 7:6 8:5 9:2 10:1 11:0 12:0 13:30 14:20
1 1:45 2:3 3:261192 4:2 5:9 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:3 3:94936 4:7 5:12 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:40 14:1
2 1:38 2:3 3:296478 4:10 5:11 6:2 7:11 8:2 9:1 10:1 11:7298 12:0 13:40 14:1
2 1:36 2:1 3:119272 4:2 5:9 6:2 7:12 8:2 9:1 10:1 11:7298 12:0 13:40 14:1
1 1:33 2:3 3:85043 4:2 5:9 6:1 7:8 8:1 9:1 10:1 11:0 12:0 13:20 14:1
1 1:22 2:1 3:293364 4:6 5:10 6:1 7:12 8:4 9:2 10:2 11:0 12:0 13:40 14:1
1 1:43 2:2 3:241895 4:1 5:13 6:1 7:6 8:1 9:1 10:1 11:0 12:0 13:42 14:1
1 1:56 2:3 3:101128 4:7 5:12 6:4 7:5 8:1 9:1 10:1 11:0 12:0 13:25 14:11
1 1:31 2:3 3:156464 4:1 5:13 6:1 7:4 8:4 9:1 10:1 11:0 12:0 13:25 14:1
2 1:33 2:3 3:117963 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:26 2:3 3:192262 4:2 5:9 6:2 7:5 8:2 9:1 10:1 11:0 12:0 13:40 14:1
2 1:33 2:3 3:111363 4:1 5:13 6:2 7:2 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:46 2:5 3:329752 4:3 5:7 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:30 14:1
2 1:38 2:4 3:95432 4:2 5:9 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:65 2:3 3:161400 4:3 5:7 6:7 7:5 8:5 9:5 10:1 11:0 12:0 13:40 14:1
2 1:40 2:3 3:96129 4:10 5:11 6:2 7:10 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:42 2:3 3:111949 4:2 5:9 6:2 7:1 8:3 9:1 10:2 11:0 12:0 13:35 14:1
1 1:26 2:2 3:117125 4:5 5:5 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:21
1 1:36 2:3 3:348022 4:13 5:6 6:2 7:5 8:3 9:1 10:2 11:0 12:0 13:24 14:1
2 1:62 2:3 3:270092 4:4 5:14 6:2 7:4 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:43 2:3 3:180609 4:1 5:13 6:2 7:7 8:2 9:1 10:1 11:0 12:0 13:45 14:1
2 1:43 2:3 3:174575 4:1 5:13 6:3 7:2 8:1 9:1 10:1 11:0 12:1564 13:45 14:1
1 1:22 2:3 3:410439 4:2 5:9 6:4 7:6 8:1 9:1 10:1 11:0 12:0 13:55 14:1
1 1:28 2:3 3:92262 4:2 5:9 6:2 7:11 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:56 2:2 3:183081 4:6 5:10 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:45 14:1
1 1:22 2:3 3:362589 4:7 5:12 6:1 7:6 8:1 9:1 10:2 11:0 12:0 13:15 14:1
2 1:57 2:3 3:212448 4:1 5:13 6:3 7:2 8:1 9:1 10:2 11:0 12:0 13:45 14:1
1 1:39 2:3 3:481060 4:2 5:9 6:3 7:6 8:5 9:1 10:2 11:0 12:0 13:40 14:1
1 1:26 2:4 3:185885 4:6 5:10 6:1 7:1 8:5 9:1 10:2 11:0 12:0 13:15 14:1
1 1:17 2:3 3:89821 4:3 5:7 6:1 7:5 8:4 9:1 10:1 11:0 12:0 13:10 14:1
2 1:40 2:1 3:184018 4:10 5:11 6:2 7:9 8:2 9:1 10:1 11:0 12:0 13:38 14:1
1 1:45 2:3 3:256649 4:2 5:9 6:2 7:9 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:44 2:3 3:160323 4:2 5:9 6:1 7:11 8:1 9:2 10:1 11:0 12:0 13:40 14:1
1 1:20 2:5 3:350845 4:6 5:10 6:1 7:1 8:4 9:1 10:2 11:0 12:0 13:10 14:1
1 1:33 2:3 3:267404 4:2 5:9 6:2 7:11 8:3 9:1 10:2 11:0 12:0 13:40 14:1


adult_test.txt

1 1:25 2:1 3:226802 4:1 5:7 6:1 7:1 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:38 2:1 3:89814 4:2 5:9 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:50 14:1
2 1:28 2:2 3:336951 4:3 5:12 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:44 2:1 3:160323 4:4 5:10 6:2 7:1 8:2 9:1 10:1 11:7688 12:0 13:40 14:1
1 1:34 2:1 3:198693 4:5 5:6 6:1 7:4 8:3 9:2 10:1 11:0 12:0 13:30 14:1
2 1:63 2:3 3:104626 4:6 5:15 6:2 7:5 8:2 9:2 10:1 11:3103 12:0 13:32 14:1
1 1:24 2:1 3:369667 4:4 5:10 6:1 7:4 8:4 9:2 10:2 11:0 12:0 13:40 14:1
1 1:55 2:1 3:104996 4:7 5:4 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:10 14:1
2 1:65 2:1 3:184454 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:6418 12:0 13:40 14:1
1 1:36 2:4 3:212465 4:8 5:13 6:2 7:7 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:1 3:82091 4:2 5:9 6:1 7:7 8:3 9:2 10:2 11:0 12:0 13:39 14:1
2 1:48 2:1 3:279724 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:3103 12:0 13:48 14:1
2 1:43 2:1 3:346189 4:9 5:14 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:20 2:5 3:444554 4:4 5:10 6:1 7:4 8:1 9:2 10:1 11:0 12:0 13:25 14:1
1 1:43 2:1 3:128354 4:2 5:9 6:2 7:7 8:5 9:2 10:2 11:0 12:0 13:30 14:1
1 1:37 2:1 3:60548 4:2 5:9 6:3 7:1 8:4 9:2 10:2 11:0 12:0 13:20 14:1
2 1:34 2:1 3:107914 4:8 5:13 6:2 7:9 8:2 9:2 10:1 11:0 12:0 13:47 14:1
1 1:34 2:1 3:238588 4:4 5:10 6:1 7:4 8:1 9:1 10:2 11:0 12:0 13:35 14:1
1 1:25 2:1 3:220931 4:8 5:13 6:1 7:5 8:3 9:2 10:1 11:0 12:0 13:43 14:2
1 1:25 2:1 3:205947 4:8 5:13 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:45 2:3 3:432824 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:7298 12:0 13:90 14:1
1 1:22 2:1 3:236427 4:2 5:9 6:1 7:7 8:1 9:2 10:1 11:0 12:0 13:20 14:1
1 1:23 2:1 3:134446 4:2 5:9 6:4 7:1 8:4 9:1 10:1 11:0 12:0 13:54 14:1
1 1:54 2:1 3:99516 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:35 14:1
1 1:32 2:3 3:109282 4:4 5:10 6:1 7:5 8:3 9:2 10:1 11:0 12:0 13:60 14:1
2 1:46 2:5 3:106444 4:4 5:10 6:2 7:8 8:2 9:1 10:1 11:7688 12:0 13:38 14:1
1 1:56 2:3 3:186651 4:1 5:7 6:3 7:4 8:4 9:2 10:2 11:0 12:0 13:50 14:1
1 1:24 2:3 3:188274 4:8 5:13 6:1 7:10 8:3 9:2 10:1 11:0 12:0 13:50 14:1
1 1:23 2:2 3:258120 4:4 5:10 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:1 3:43311 4:2 5:9 6:5 7:8 8:4 9:2 10:2 11:0 12:0 13:40 14:1
2 1:36 2:2 3:403681 4:8 5:13 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:22 2:1 3:248446 4:10 5:3 6:1 7:11 8:3 9:2 10:1 11:0 12:0 13:50 14:3
1 1:17 2:1 3:269430 4:5 5:6 6:1 7:1 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:20 2:1 3:257509 4:2 5:9 6:1 7:6 8:1 9:2 10:1 11:0 12:0 13:40 14:1
2 1:65 2:1 3:136384 4:9 5:14 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:50 14:1
2 1:44 2:6 3:120277 4:11 5:11 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:45 14:1
1 1:36 2:1 3:465326 4:2 5:9 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:29 2:1 3:103634 4:1 5:7 6:2 7:4 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:20 2:5 3:138371 4:4 5:10 6:1 7:2 8:1 9:2 10:1 11:0 12:0 13:32 14:1
2 1:28 2:1 3:242832 4:11 5:11 6:2 7:5 8:5 9:2 10:2 11:0 12:0 13:36 14:1
1 1:39 2:1 3:290208 4:7 5:4 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:40 14:4
1 1:54 2:1 3:186272 4:4 5:10 6:2 7:12 8:2 9:2 10:1 11:3908 12:0 13:50 14:1
1 1:52 2:1 3:201062 4:1 5:7 6:4 7:11 8:3 9:1 10:2 11:0 12:0 13:18 14:1
1 1:56 2:6 3:131916 4:2 5:9 6:3 7:8 8:3 9:2 10:2 11:0 12:0 13:50 14:1
1 1:18 2:1 3:54440 4:4 5:10 6:1 7:4 8:1 9:2 10:1 11:0 12:0 13:20 14:1
1 1:39 2:1 3:280215 4:2 5:9 6:5 7:13 8:1 9:1 10:1 11:0 12:0 13:40 14:1
1 1:21 2:1 3:214399 4:4 5:10 6:1 7:4 8:1 9:2 10:2 11:0 12:1721 13:24 14:1
2 1:22 2:1 3:54164 4:2 5:9 6:1 7:4 8:3 9:2 10:1 11:14084 12:0 13:60 14:1
1 1:38 2:1 3:219446 4:12 5:5 6:6 7:8 8:3 9:2 10:1 11:0 12:0 13:54 14:4
1 1:21 2:1 3:110677 4:4 5:10 6:1 7:7 8:1 9:2 10:2 11:0 12:0 13:40 14:1
1 1:63 2:1 3:145985 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:34 2:2 3:382078 4:8 5:13 6:2 7:8 8:2 9:2 10:1 11:3103 12:0 13:50 14:1
2 1:42 2:6 3:170721 4:2 5:9 6:2 7:8 8:2 9:2 10:1 11:5178 12:0 13:50 14:1
1 1:33 2:1 3:269705 4:2 5:9 6:2 7:13 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:30 2:1 3:101135 4:8 5:13 6:1 7:8 8:3 9:2 10:2 11:0 12:0 13:50 14:1
1 1:39 2:1 3:118429 4:4 5:10 6:5 7:10 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:1 3:31208 4:9 5:14 6:1 7:8 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:33 2:1 3:281384 4:2 5:9 6:1 7:1 8:1 9:2 10:2 11:0 12:0 13:40 14:1
1 1:47 2:2 3:171807 4:2 5:9 6:5 7:7 8:3 9:2 10:2 11:0 12:0 13:40 14:1
2 1:41 2:6 3:445382 4:3 5:12 6:2 7:6 8:2 9:2 10:1 11:15024 12:0 13:60 14:1
1 1:19 2:1 3:105460 4:4 5:10 6:1 7:4 8:1 9:2 10:1 11:0 12:0 13:20 14:1
1 1:46 2:1 3:170338 4:2 5:9 6:4 7:12 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:43 2:1 3:102606 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:48 14:1
2 1:55 2:1 3:323887 4:4 5:10 6:2 7:8 8:2 9:2 10:1 11:15024 12:0 13:45 14:1
1 1:46 2:1 3:175622 4:11 5:11 6:2 7:9 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:30 2:1 3:229636 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:40 14:4
1 1:21 2:1 3:388946 4:4 5:10 6:4 7:13 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:46 2:1 3:269034 4:4 5:10 6:2 7:6 8:2 9:3 10:1 11:0 12:0 13:40 14:5
1 1:41 2:1 3:75012 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:69 2:6 3:174379 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:30 14:1
1 1:50 2:1 3:312477 4:2 5:9 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:20 2:1 3:72055 4:4 5:10 6:1 7:7 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:45 2:6 3:67001 4:4 5:10 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:23 2:1 3:213734 4:8 5:13 6:1 7:8 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:24 2:1 3:83141 4:4 5:10 6:4 7:4 8:3 9:2 10:1 11:0 12:1876 13:40 14:1
1 1:31 2:3 3:113752 4:4 5:10 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:43 2:1 3:170482 4:2 5:9 6:4 7:1 8:3 9:2 10:2 11:0 12:0 13:44 14:1
1 1:20 2:4 3:244689 4:1 5:7 6:1 7:4 8:1 9:2 10:2 11:0 12:0 13:10 14:1
2 1:55 2:1 3:160631 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:56 14:1
1 1:24 2:4 3:228724 4:4 5:10 6:1 7:14 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:59 2:1 3:292946 4:8 5:13 6:1 7:8 8:3 9:2 10:2 11:0 12:0 13:25 14:1
1 1:49 2:4 3:77443 4:7 5:4 6:1 7:4 8:3 9:1 10:1 11:0 12:0 13:20 14:1
2 1:33 2:1 3:176410 4:9 5:14 6:2 7:5 8:5 9:2 10:2 11:5178 12:0 13:10 14:1
1 1:59 2:4 3:98984 4:8 5:13 6:5 7:7 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:34 2:1 3:198751 4:9 5:14 6:1 7:4 8:3 9:4 10:1 11:0 12:0 13:40 14:1
1 1:20 2:1 3:479296 4:2 5:9 6:1 7:13 8:1 9:2 10:1 11:0 12:0 13:40 14:1
1 1:25 2:1 3:235218 4:8 5:13 6:1 7:8 8:1 9:2 10:2 11:0 12:0 13:40 14:1
1 1:49 2:1 3:164877 4:5 5:6 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:59 2:1 3:272087 4:2 5:9 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:20 2:1 3:169699 4:2 5:9 6:1 7:7 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:33 2:1 3:202191 4:4 5:10 6:1 7:7 8:4 9:1 10:2 11:0 12:0 13:35 14:1
1 1:22 2:1 3:212261 4:4 5:10 6:1 7:12 8:1 9:1 10:1 11:0 12:0 13:39 14:1
1 1:58 2:3 3:301568 4:12 5:5 6:3 7:4 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:52 2:2 3:155233 4:2 5:9 6:3 7:7 8:4 9:2 10:2 11:0 12:0 13:28 14:1
1 1:36 2:1 3:75826 4:5 5:6 6:4 7:1 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:41 2:2 3:201520 4:2 5:9 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:28 2:1 3:154236 4:2 5:9 6:1 7:12 8:1 9:2 10:1 11:2597 12:0 13:40 14:1
1 1:19 2:1 3:289227 4:4 5:10 6:1 7:13 8:1 9:1 10:1 11:0 12:0 13:16 14:1
1 1:18 2:1 3:217439 4:2 5:9 6:1 7:4 8:3 9:2 10:2 11:0 12:0 13:28 14:1
1 1:18 2:1 3:179020 4:2 5:9 6:1 7:1 8:1 9:2 10:2 11:0 12:0 13:48 14:1
1 1:28 2:1 3:149624 4:4 5:10 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:29 2:1 3:337266 4:11 5:11 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:40 2:1 3:103541 4:4 5:10 6:2 7:13 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:1 3:206721 4:2 5:9 6:1 7:13 8:4 9:2 10:1 11:0 12:0 13:40 14:1
1 1:46 2:1 3:96773 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:23 2:1 3:200967 4:1 5:7 6:1 7:4 8:3 9:2 10:2 11:0 12:0 13:24 14:1
1 1:44 2:1 3:180019 4:2 5:9 6:6 7:7 8:4 9:2 10:2 11:0 12:0 13:40 14:1
2 1:43 2:1 3:179866 4:8 5:13 6:5 7:10 8:4 9:2 10:2 11:0 12:0 13:40 14:1
1 1:31 2:2 3:198770 4:8 5:13 6:5 7:5 8:4 9:2 10:2 11:0 12:0 13:60 14:1
1 1:18 2:1 3:219256 4:4 5:10 6:1 7:10 8:1 9:2 10:2 11:0 12:0 13:25 14:1
1 1:19 2:1 3:248730 4:4 5:10 6:1 7:3 8:1 9:2 10:1 11:0 12:0 13:30 14:1
1 1:41 2:1 3:110732 4:4 5:10 6:5 7:9 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:41 2:1 3:181020 4:2 5:9 6:5 7:13 8:4 9:2 10:2 11:0 12:0 13:40 14:1
1 1:69 2:1 3:183791 4:2 5:9 6:5 7:7 8:3 9:2 10:2 11:0 12:0 13:25 14:1
2 1:48 2:4 3:42972 4:13 5:16 6:2 7:5 8:5 9:2 10:2 11:0 12:0 13:40 14:1
1 1:28 2:1 3:134813 4:2 5:9 6:1 7:5 8:1 9:2 10:1 11:0 12:0 13:40 14:1
2 1:27 2:3 3:115438 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:60 14:6
2 1:41 2:1 3:239296 4:9 5:14 6:2 7:5 8:2 9:2 10:1 11:0 12:2415 13:50 14:1
1 1:41 2:1 3:428420 4:4 5:10 6:2 7:7 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:24 2:1 3:247846 4:2 5:9 6:1 7:6 8:4 9:1 10:2 11:0 12:0 13:40 14:1
2 1:42 2:6 3:100793 4:13 5:16 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:41 14:1
1 1:57 2:1 3:244478 4:2 5:9 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:48 14:1
1 1:30 2:1 3:142921 4:3 5:12 6:1 7:5 8:3 9:2 10:2 11:0 12:0 13:40 14:1
2 1:36 2:1 3:182863 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:60 14:1
1 1:49 2:1 3:171128 4:7 5:4 6:2 7:1 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:33 2:1 3:145402 4:2 5:9 6:2 7:1 8:5 9:2 10:2 11:0 12:0 13:35 14:1
1 1:23 2:1 3:306309 4:5 5:6 6:2 7:2 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:46 2:1 3:83822 4:9 5:14 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:18 2:1 3:262118 4:4 5:10 6:1 7:7 8:1 9:5 10:2 11:0 12:0 13:22 14:7
2 1:40 2:1 3:155972 4:2 5:9 6:2 7:8 8:2 9:2 10:1 11:7688 12:0 13:55 14:1
2 1:43 2:6 3:214503 4:2 5:9 6:2 7:8 8:2 9:2 10:1 11:0 12:1887 13:45 14:1
1 1:34 2:1 3:159303 4:9 5:14 6:1 7:5 8:1 9:2 10:2 11:0 12:0 13:30 14:1
1 1:47 2:3 3:174995 4:2 5:9 6:3 7:8 8:3 9:2 10:2 11:0 12:0 13:30 14:1
1 1:44 2:1 3:26669 4:11 5:11 6:3 7:8 8:4 9:2 10:2 11:0 12:0 13:30 14:1
2 1:33 2:1 3:177727 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:55 2:1 3:124771 4:8 5:13 6:2 7:8 8:2 9:2 10:1 11:15024 12:0 13:50 14:1
1 1:19 2:1 3:456736 4:2 5:9 6:1 7:10 8:3 9:2 10:1 11:2907 12:0 13:30 14:1
1 1:28 2:1 3:216604 4:4 5:10 6:1 7:4 8:3 9:1 10:1 11:0 12:0 13:14 14:1
1 1:27 2:1 3:221561 4:1 5:7 6:2 7:4 8:5 9:1 10:2 11:0 12:0 13:32 14:1
1 1:50 2:1 3:114564 4:7 5:4 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:20 14:1
1 1:22 2:1 3:315476 4:1 5:7 6:1 7:6 8:4 9:2 10:1 11:0 12:0 13:40 14:1
2 1:40 2:5 3:67874 4:8 5:13 6:2 7:7 8:2 9:2 10:1 11:0 12:1887 13:45 14:1
1 1:25 2:1 3:126110 4:4 5:10 6:1 7:7 8:1 9:2 10:2 11:0 12:0 13:40 14:1
1 1:26 2:2 3:102264 4:2 5:9 6:1 7:6 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:22 2:1 3:537222 4:8 5:13 6:1 7:10 8:3 9:2 10:1 11:0 12:0 13:25 14:1
1 1:42 2:1 3:113732 4:4 5:10 6:1 7:13 8:4 9:1 10:2 11:0 12:625 13:40 14:1
1 1:38 2:6 3:93225 4:8 5:13 6:5 7:8 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:55 2:1 3:43064 4:1 5:7 6:2 7:4 8:2 9:2 10:1 11:0 12:0 13:30 14:1
1 1:32 2:1 3:136921 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:22 2:1 3:388885 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:45 14:1
1 1:29 2:1 3:142249 4:8 5:13 6:1 7:10 8:1 9:2 10:1 11:0 12:0 13:40 14:1
2 1:46 2:5 3:56841 4:9 5:14 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:45 14:1
2 1:31 2:1 3:156493 4:4 5:10 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:58 2:3 3:159021 4:13 5:16 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:16 14:1
1 1:42 2:1 3:190910 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:45 14:1
1 1:18 2:1 3:41879 4:2 5:9 6:1 7:13 8:4 9:2 10:1 11:0 12:0 13:25 14:1
1 1:58 2:2 3:137249 4:2 5:9 6:5 7:8 8:3 9:2 10:1 11:0 12:0 13:33 14:1
2 1:54 2:1 3:236157 4:2 5:9 6:2 7:5 8:2 9:2 10:1 11:0 12:1887 13:40 14:1
1 1:34 2:1 3:189759 4:9 5:14 6:1 7:5 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:26 2:1 3:239877 4:8 5:13 6:1 7:7 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:61 2:1 3:21175 4:14 5:8 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:60 14:1
1 1:48 2:2 3:67229 4:9 5:14 6:4 7:7 8:4 9:1 10:2 11:0 12:0 13:40 14:1
2 1:36 2:1 3:236391 4:4 5:10 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:45 14:1
1 1:24 2:1 3:325596 4:11 5:11 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:45 14:1
1 1:40 2:1 3:83411 4:4 5:10 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:37 14:1
2 1:33 2:6 3:154227 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:50 14:1
2 1:37 2:1 3:248010 4:4 5:10 6:2 7:1 8:2 9:2 10:1 11:0 12:1887 13:40 14:1
1 1:34 2:1 3:198613 4:9 5:14 6:1 7:8 8:1 9:2 10:1 11:4650 12:0 13:40 14:1
2 1:56 2:6 3:321529 4:4 5:10 6:2 7:8 8:2 9:2 10:1 11:15024 12:0 13:40 14:1
1 1:37 2:1 3:203079 4:8 5:13 6:3 7:8 8:3 9:2 10:2 11:0 12:0 13:55 14:1
1 1:44 2:1 3:284652 4:2 5:9 6:5 7:10 8:4 9:1 10:2 11:0 12:0 13:40 14:1
1 1:54 2:1 3:59840 4:2 5:9 6:5 7:13 8:3 9:2 10:1 11:0 12:0 13:45 14:1
1 1:23 2:1 3:52753 4:2 5:9 6:1 7:1 8:3 9:2 10:1 11:0 12:0 13:50 14:1
1 1:22 2:1 3:199266 4:2 5:9 6:1 7:4 8:3 9:2 10:2 11:0 12:0 13:45 14:1
2 1:33 2:1 3:196385 4:8 5:13 6:2 7:8 8:2 9:2 10:1 11:0 12:1977 13:40 14:1
2 1:39 2:1 3:163205 4:8 5:13 6:4 7:5 8:3 9:2 10:1 11:0 12:0 13:50 14:1
1 1:47 2:1 3:411047 4:4 5:10 6:5 7:7 8:3 9:1 10:2 11:0 12:0 13:37 14:1
1 1:26 2:1 3:209440 4:2 5:9 6:1 7:5 8:4 9:1 10:2 11:0 12:0 13:55 14:1
1 1:31 2:1 3:56964 4:4 5:10 6:5 7:8 8:4 9:2 10:2 11:0 12:0 13:40 14:1
1 1:44 2:1 3:299197 4:4 5:10 6:1 7:12 8:3 9:2 10:1 11:0 12:0 13:45 14:1
2 1:42 2:6 3:240628 4:6 5:15 6:2 7:5 8:5 9:2 10:2 11:0 12:0 13:50 14:1
1 1:19 2:1 3:355313 4:2 5:9 6:1 7:1 8:3 9:2 10:2 11:0 12:0 13:40 14:1
2 1:27 2:1 3:132267 4:2 5:9 6:2 7:13 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:51 2:2 3:174861 4:4 5:10 6:2 7:3 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:28 2:6 3:142443 4:8 5:13 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:57 2:1 3:26716 4:8 5:13 6:5 7:6 8:3 9:2 10:1 11:0 12:0 13:45 14:1
1 1:45 2:2 3:185588 4:8 5:13 6:5 7:5 8:4 9:2 10:2 11:0 12:0 13:40 14:1
2 1:50 2:1 3:175029 4:11 5:11 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:34 2:6 3:34848 4:8 5:13 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:54 14:1
1 1:45 2:1 3:411273 4:7 5:4 6:2 7:6 8:2 9:1 10:1 11:0 12:0 13:40 14:1
1 1:73 2:2 3:143437 4:2 5:9 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:20 14:1
2 1:34 2:1 3:357145 4:8 5:13 6:2 7:5 8:5 9:2 10:2 11:0 12:0 13:50 14:1
2 1:31 2:1 3:236861 4:4 5:10 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:55 14:1
1 1:19 2:1 3:53355 4:1 5:7 6:1 7:10 8:3 9:2 10:1 11:0 12:0 13:12 14:1
1 1:25 2:1 3:29106 4:4 5:10 6:1 7:4 8:1 9:2 10:2 11:0 12:0 13:50 14:1
1 1:38 2:4 3:213274 4:11 5:11 6:5 7:6 8:4 9:2 10:2 11:6497 12:0 13:40 14:1
1 1:39 2:1 3:22463 4:8 5:13 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:23 2:1 3:180497 4:8 5:13 6:1 7:9 8:1 9:1 10:2 11:0 12:0 13:32 14:1
1 1:49 2:1 3:37306 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:33 2:4 3:137814 4:2 5:9 6:1 7:4 8:3 9:2 10:1 11:0 12:0 13:32 14:1
1 1:21 2:1 3:447488 4:10 5:3 6:1 7:1 8:6 9:2 10:1 11:0 12:0 13:38 14:4
1 1:31 2:1 3:220915 4:11 5:11 6:4 7:6 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:23 2:1 3:42251 4:8 5:13 6:1 7:8 8:3 9:2 10:2 11:0 12:0 13:45 14:1
1 1:34 2:1 3:162312 4:8 5:13 6:2 7:7 8:2 9:5 10:1 11:0 12:0 13:40 14:8
1 1:25 2:1 3:77698 4:2 5:9 6:1 7:1 8:3 9:5 10:2 11:0 12:0 13:40 14:8
1 1:39 2:1 3:282951 4:2 5:9 6:1 7:6 8:4 9:2 10:1 11:0 12:0 13:40 14:1
2 1:52 2:6 3:311259 4:2 5:9 6:2 7:10 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:63 2:2 3:65479 4:12 5:5 6:2 7:12 8:2 9:2 10:1 11:7688 12:0 13:40 14:1
1 1:41 2:1 3:277256 4:4 5:10 6:2 7:6 8:2 9:2 10:1 11:0 12:0 13:40 14:1
2 1:46 2:1 3:312088 4:8 5:13 6:2 7:5 8:2 9:2 10:1 11:15024 12:0 13:38 14:1
1 1:53 2:2 3:169719 4:2 5:9 6:2 7:8 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:18 2:1 3:96869 4:14 5:8 6:1 7:11 8:1 9:2 10:1 11:0 12:0 13:40 14:1
1 1:38 2:1 3:237943 4:6 5:15 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:50 14:1
1 1:55 2:1 3:119751 4:9 5:14 6:1 7:8 8:4 9:5 10:2 11:0 12:0 13:50 14:9
2 1:34 2:1 3:236861 4:2 5:9 6:2 7:9 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:80 2:3 3:201092 4:2 5:9 6:2 7:4 8:2 9:2 10:1 11:0 12:0 13:30 14:1
1 1:34 2:1 3:147215 4:11 5:11 6:5 7:9 8:4 9:2 10:2 11:0 12:0 13:60 14:1
1 1:52 2:1 3:152373 4:4 5:10 6:2 7:9 8:2 9:2 10:1 11:5013 12:0 13:40 14:1
1 1:42 2:1 3:227968 4:2 5:9 6:1 7:4 8:4 9:1 10:2 11:0 12:0 13:28 14:10
1 1:26 2:1 3:362617 4:4 5:10 6:1 7:10 8:3 9:2 10:2 11:0 12:0 13:40 14:1
1 1:31 2:1 3:103435 4:2 5:9 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:25 2:2 3:281412 4:2 5:9 6:1 7:4 8:1 9:2 10:2 11:0 12:0 13:35 14:1
1 1:55 2:3 3:105239 4:2 5:9 6:2 7:6 8:2 9:2 10:1 11:0 12:2057 13:60 14:1
1 1:19 2:1 3:230165 4:4 5:10 6:1 7:4 8:1 9:2 10:2 11:0 12:0 13:12 14:1
1 1:62 2:3 3:177493 4:4 5:10 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:32 14:1
1 1:22 2:4 3:104443 4:4 5:10 6:1 7:7 8:1 9:2 10:2 11:0 12:0 13:20 14:1
1 1:35 2:1 3:143385 4:2 5:9 6:2 7:13 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:28 2:1 3:107189 4:2 5:9 6:2 7:10 8:1 9:2 10:2 11:0 12:0 13:40 14:1
2 1:47 2:1 3:212944 4:2 5:9 6:2 7:12 8:2 9:2 10:1 11:0 12:0 13:70 14:1
1 1:44 2:5 3:138634 4:2 5:9 6:2 7:1 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:21 2:1 3:99970 4:4 5:10 6:1 7:10 8:1 9:2 10:1 11:0 12:0 13:15 14:1
1 1:35 2:1 3:203717 4:11 5:11 6:1 7:6 8:3 9:2 10:1 11:0 12:0 13:50 14:1
2 1:24 2:1 3:313956 4:8 5:13 6:2 7:5 8:2 9:2 10:1 11:0 12:0 13:40 14:1
1 1:28 2:1 3:193868 4:8 5:13 6:1 7:9 8:1 9:2 10:1 11:0 12:0 13:50 14:1
1 1:21 2:1 3:250939 4:4 5:10 6:1 7:1 8:6 9:2 10:1 11:0 12:0 13:35 14:1
1 1:62 2:4 3:57629 4:4 5:10 6:5 7:9 8:3 9:1 10:1 11:4650 12:0 13:40 14:1
1 1:39 2:1 3:281768 4:2 5:9 6:1 7:4 8:3 9:1 10:2 11:0 12:0 13:40 14:1
1 1:30 2:5 3:260782 4:2 5:9 6:1 7:4 8:3 9:2 10:1 11:0 12:0 13:40 14:1
1 1:72 2:3 3:243769 4:6 5:15 6:1 7:5 8:3 9:2 10:1 11:0 12:1429 13:20 14:1
1 1:50 2:1 3:109937 4:4 5:10 6:2 7:8 8:5 9:2 10:2 11:0 12:0 13:50 14:1









贫嘴小李子的幸福生活
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
java实现朴素贝叶斯分类算法
u014486880的博客
11-24 1万+
现在是大数据时代，海量数据影响着我们生活的方方面面。生活在当今时代的攻城狮，多多少少要对这个有点了解，不然就显得逼格不够高哈。大数据处理中最常用就是对数据进行分类，统计，关联分析等。这篇博客介绍下朴素贝叶斯分类算法在数据分类中的一个应用，举一个例子并使用java对其进行实现 ，借此也巩固下我所学的知识。 一，什么是朴素贝叶斯分类算法 回答这个问题首先要谈下什么是分类。其实这个很好理解，就比如看
【Java应用】使用Java实现机器学习算法：聚类、分类、预测
Java技术攻略的博客
03-06 3467
聚类算法是一种无监督学习算法，用于将数据集分成不同的群组。聚类算法通常基于相似性度量来决定数据点之间的距离，从而将数据点分成不同的群组。聚类算法在许多领域中都有广泛的应用，如市场营销、社交网络、天文学等。分类算法是机器学习领域中最常用的一种算法，它的主要任务是将数据集中的数据根据其特征分成不同的类别。分类算法可以应用于多种应用领域，例如垃圾邮件分类、图像识别、自然语言处理、医学诊断等。决策树：决策树是一种基于树形结构的分类方法。
KNN算法实现分类问题（JAVA）实现
12-13
这个是我实验课的作业，Java实现knn算法，对网上需手动输入数据的算法进行了一些改进，注释详细，数据是文件夹中的txt文件，读者可以自己更换成自己的数据。
knn.zip_knn_knn算法_实现KNN算法java
09-14
knn算法的简单实现，需要测试两个文件，一个测试文档，一个是待分类文本
基于python实现KNN分类算法
09-19
主要为大家详细介绍了基于python实现KNN分类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
python实现KNN分类算法
01-20
一、KNN算法简介 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。 kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域
python运用sklearn实现KNN分类算法
12-25
KNN（K-Nearest-Neighbours Classiflication）分类算法，供大家参考，具体内容如下 最简单的分类算法，易于理解和实现 实现步骤：通过选取与该点距离最近的k个样本，在这k个样本中哪一个类别的数量多，就把k归为哪一类。 注意 该算法需要保存训练集的观察值，以此判定待分类数据属于哪一类 k需要进行自定义，一般选取k<30 距离一般用欧氏距离，即​  通过sklearn对数据使用KNN算法进行分类 代码如下： ## 导入鸢尾花数据集 iris = datasets.load_iris() data = iris.data[:, :2] target
java笔试题算法-text-classifier:基于朴素贝叶斯的文本分类器，机器学习
06-03
java笔试题算法基于朴素贝叶斯的文本分类 方法 开发环境 我们的项目将使用Java编写，使用lucene进行文本分析，使用log4j记录统计信息，以便我们可以专注于不同文本分类算法的实现。 这个软件是如何工作的？ 我们的软件会将一批文件作为训练数据，以及用户指定的测试文件。 此类数据下运行算法的有效性和正确性将写入日志文件。 经过良好的训练，该软件可用于通过将标签附加到文件名或将它们移动到不同的目录来对新的文本文件进行分类，具体取决于用户的选择。 将采用哪些算法？ 朴素贝叶斯，决策树（C4.5） 如何获取训练数据？ 对于英语训练集，我们使用了来自以下 URL 的 20 个不同新闻组的 20,000 多条消息的集合： 对于中文训练数据，我们使用搜狗实验室数据以及来自搜狗（中国最大的互联网公司之一）提供的以下 URL 的大约 10,000 个新闻文档。 输入是什么？ 输出是什么？ 如何评估输出的准确性？ 输入包含两部分：训练数据文件和测试数据文件。 它们都应该是编码为 UTF-8 的文本格式。 文件目录表示其类别，以 .[DOT] 分隔。 例如，关于棒球记录新闻组的数据文件在目录“rec
Java常用算法分类介绍与示例
算命de博客
05-11 1113
插入排序是一种简单直观的排序算法，它将数组分为已排序和未排序两部分，每次从未排序部分取一个元素插入到已排序部分的正确位置。归并排序是一种稳定的排序算法，它使用分治法策略，将数组分为两部分，递归地对两部分进行排序，然后将两部分合并成一个有序数组。冒泡排序是一种简单的排序算法，它依次比较相邻的元素，并交换它们的位置，使得最大（或最小）的元素逐渐“冒泡”到数组的末尾。堆排序是一种高效的排序算法，它使用堆数据结构维护元素的大小关系，将未排序部分中最大（或最小）的元素放到已排序部分的末尾。
常见十四种的Java算法
热门推荐
心有谦谦结
04-17 3万+
一、简单列出常见的Java中14种算法 序号 简称 英文名称 简介 1 二分查找 Binary Search 二分查找要求线性表必须采用顺序存储结构，而且表中元素按关键字有序排列。 2 冒泡排序 Bubble Sort 3 插入排序 4 快速排序 5 希尔排序 6 归并排序 7 桶排序 8 基数排序
【机器学习】K近邻算法（K-NearestNeighbors , KNN）详解 + Java代码实现
知不足而奋进，望远山而前行
01-09 2万+
邻近算法，或者说K最邻近（KNN，K-NearestNeighbors）分类算法是分类方法中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。KNN 最初由 Cover 和 Hart 于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
【机器学习】两种方法实现KNN算法：纯Python实现 + 调用Sklearn库实现（使用Iris数据集）
杨小浩浩的博客
05-25 6122
KNN算法是机器学习中一种常见的监督学习方法，对于初学者来说比较友善。本文首先介绍KNN算法的基础知识，再介绍两种方法实现KNN算法。 目录算法简介数据集简介纯Python实现调用Sklearn库实现 算法简介 算法步骤： 计算已知类别数据集中的点与当前点之间的距离； 按照距离递增次序排序； 选取与当前点距离最小的k个点； 确定前k个点所在类别的出现频率； 返回前k个点出现频率最高的类别作为当前点的预测分类。 算法中的距离共分为两种： 数据集简介 鸢尾花（Iris）数据集是机器学习中应用比较广泛的数
13python数据分析分类算法– Knn算法 – 决策树 – 贝叶斯分类器 – 支持向量机 – 神经网络
AthlenaA的博客
06-15 1564
分类  什么是分类 – 分类模型:输入样本的属性值，输出对应的类别，将每个样本映射到预先定义好的类别  常用分类算法 – Knn算法 – 决策树 – 贝叶斯分类器 – 支持向量机 – 神经网络 5种算法！！ 分类：分为娱乐新闻、民生新闻、 识别到各个类别之间的差距，对于新给的一个新闻，根据历史信息预测到它的类别 有监督的学习：类别是已经确定的 根据训练集数据模型的创建、模型的使用 类别是给定的...
python实现knn分类算法和贝叶斯分类算法（数据集为UCI Iris和UCI Bank Marketing）
qq_43966552的博客
01-02 6560
问题描述：分类算法是解决分类问题的方法，是数据挖掘、机器学习和模式识别中一个重要的研究领域。分类算法通过对已知类别训练集的分析，从中发现分类规则，以此预测新数据的类别。分类算法的应用非常广泛，银行中风险评估、客户类别分类、文本检索和搜索引擎分类、安全领域中的入侵检测以及软件项目中的应用等等。 内容提要：针对教师指定的两类公用数据集（纯数值型例如UCI Iris, 混杂型数据例如UCI Bank Marketing），学生至少实现两种分类算法，并比较分析结果原因。本次实验主要内容包括数据处理、算法实现和评价方
KNN算法实验-采用UCI的Iris数据集和DryBean数据集
negative_sun的博客
03-18 2759
KNN算法实验-采用UCI的Iris数据集和DryBean数据集
邻近分类算法---KNN（Java实现+公式计算例子）
whiteBearClimb的博客
02-18 3593
名词解释： KNN：K-Nearest-Neighbor K值最邻近 所以网上有好几种叫法：最近邻，邻近…其实都是指的KNN，其实按照翻译都对。KNN算法产生于1968年，是数据挖掘和数据分类技术中最简单的入门级算法。 按照字面意思，就是计算出距离K值最近的邻居数据，设对应数据为X，然后把待分类数据归类为X。 原理 基于大量不同维度的训练数据，做循环比较分析，具体经历下面四步流程： ①准备数据，对数据进行预处理 。 ②计算测试样本点（也就是待分类点）到其他每个样本点的距离 。 ③对每个距离进行排序，然后选择
数据建模java_数据建模及常见分类算法
weixin_36155936的博客
02-21 1243
数据建模及常见分类算法数据建模指的是对现实世界各类数据的抽象组织，建立一个适合的模型对数据进行处理。建模流程解读建模数据的抽取，清洗和加工以及建模算法的训练和优化会涉及大量的计算机语言和技术。比如：数据查询语言SQL；数据环境Hadoop和Spark；数据操作系统Linux； 数据分析软件R、Python、SAS、Matlab等。特征工程涉及到统计/数学/信息论/计量等学科的基本概念。比如：变量的...
java分类算法代码_Java实现几种常见排序算法代码
weixin_39546747的博客
02-13 195
稳定度(稳定性)一个排序算法是稳定的，就是当有两个相等记录的关键字R和S，且在原本的列表中R出现在S之前，在排序过的列表中R也将会是在S之前。排序算法分类常见的有插入(插入排序/希尔排序)、交换(冒泡排序/快速排序)、选择(选择排序)、合并(归并排序)等。一.插入排序插入排序(Insertion Sort)，它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并...
数据挖掘Java——KNN算法的实现
qq_54162207的博客
12-18 2154
KNN算法的思想比较简单。假定每个类包含多个训练数据，且每个训练数据都有一个唯一的类别标记，KNN算法的主要思想就是计算每个训练数据到待分类元组的距离，取和待分类元组距离最近的k个训练数据，k个数据中哪个类别的训练数据占多数，则待分类元组就属于哪个类别。
python运用sklearn实现knn分类算法
最新发布
07-14
### 回答1： Python是一种常用的编程语言，广泛应用于数据科学和机器学习领域。其中机器学习库sklearn提供了许多常用的算法和工具，方便用户进行数据分析和模型训练。 其中之一是k近邻（k-nearest neighbors，KNN）分类算法。KNN是一种基于实例的学习方法，它通过在特征空间中寻找最近的k个邻居来预测新的样本标签。在Python中使用sklearn库实现KNN分类算法非常简单。 首先，需要导入相关的库和模块。常用的库包括numpy（处理数值计算）、sklearn（机器学习库）和sklearn.neighbors（KNN算法模块）。 接下来，需要准备样本数据集。这包括特征矩阵和对应的标签。可以使用numpy数组或pandas数据框来存储数据。 然后，需要对数据进行预处理。这包括划分数据集为训练集和测试集，并进行特征缩放和标准化等操作。可以使用sklearn.preprocessing模块中的函数来进行这些操作。 接下来，需要创建一个KNeighborsClassifier对象，并设置相关参数。其中，最重要的是k值，即选择最近的k个邻居来进行预测。 然后，使用fit()方法将训练集的特征矩阵和标签传递给KNeighborsClassifier对象，以进行模型训练。 最后，可以使用predict()方法将测试集的特征矩阵传递给KNeighborsClassifier对象，并得到对应的预测结果。 除了这些基本步骤之外，还可以通过交叉验证和网格搜索等方法来优化模型的参数和评估模型的性能。sklearn库提供了相应的函数和方法来实现这些操作。 总之，使用Python中的sklearn库可以很方便地实现KNN分类算法。只需要按照上述步骤导入相关库、准备数据、预处理数据、创建模型、训练模型和预测结果即可。这是一个简便且高效的方法，帮助用户实现KNN分类算法来解决分类问题。 ### 回答2： K最近邻（K-nearest neighbors，简称KNN）是一种基本的分类算法，在Python中可以使用scikit-learn库（sklearn）来实现。以下是使用sklearn实现KNN分类算法的步骤： 1. 导入需要的库和模块：首先需要导入sklearn库中的KNeighborsClassifier模块，以及其他辅助模块，如numpy和pandas。 2. 准备数据集：将数据集划分为特征集（X）和目标标签（y）。特征集包含用于分类的属性，而目标标签则包含每个样本的分类结果。 3. 对数据集进行预处理：根据需要进行数据预处理，如数据清洗、缺失值处理或特征标准化等。 4. 划分数据集：将数据集划分为训练集和测试集，一般会使用train_test_split函数将数据按照一定的比例划分。 5. 创建KNN模型：使用KNeighborsClassifier创建一个KNN分类模型，并可设置K值和距离度量方式等参数。 6. 模型训练：使用fit函数对训练集进行训练，让模型学习训练集的模式。 7. 模型预测：使用predict函数对测试集进行预测，得到分类结果。 8. 模型评估：对预测结果进行评估，可使用accuracy_score等函数计算准确率、召回率等指标。 9. 调参优化：通过调整K值或距离度量方式等参数，可以对模型进行优化，提高分类性能。 10. 结果分析和应用：根据模型预测的结果进行分析，可以根据需要进行后续的实际应用。 总之，使用sklearn实现KNN分类算法可以简化KNN模型的搭建和使用过程，使得开发者能够快速实现KNN算法并进行分类任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值