partage/ift7025-projet
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity

ajout code KNN tran fonctionnel

Browse source
This commit is contained in:
François Pelletier 2019-03-16 17:50:53 -04:00
commit f23034e381
14 changed files with 2919 additions and 0 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

3
.gitignore vendored Normal file
View file

@ -0,0 +1,3 @@
Code/__pycache__/
*.pdf

92
Code/BayesNaif.py Normal file
View file

@ -0,0 +1,92 @@
#!/usr/bin/env python3
# -*- coding: utf-8 -*
"""
Vous allez definir une classe pour chaque algorithme que vous allez développer,
votre classe doit contenit au moins les 3 methodes definies ici bas,
* train : pour entrainer le modèle sur l'ensemble d'entrainement
* predict : pour prédire la classe d'un exemple donné
* test : pour tester sur l'ensemble de test
vous pouvez rajouter d'autres méthodes qui peuvent vous etre utiles, mais moi
je vais avoir besoin de tester les méthodes test, predict et test de votre code.
"""
import numpy as np
# le nom de votre classe
# BayesNaif pour le modèle bayesien naif
# Knn pour le modèle des k plus proches voisins
class BayesNaif: #nom de la class à changer
def __init__(self, **kwargs):
"""
c'est un Initializer.
Vous pouvez passer d'autre paramètres au besoin,
c'est à vous d'utiliser vos propres notations
"""
def train(self, train, train_labels): #vous pouvez rajouter d'autres attribus au besoin
"""
c'est la méthode qui va entrainer votre modèle,
train est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple d'entrainement dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
train_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
------------
Après avoir fait l'entrainement, faites maintenant le test sur
les données d'entrainement
IMPORTANT :
Vous devez afficher ici avec la commande print() de python,
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données d'entrainement
nous allons faire d'autres tests sur les données de test dans la méthode test()
"""
def predict(self, exemple, label):
"""
Prédire la classe d'un exemple donné en entrée
exemple est de taille 1xm
si la valeur retournée est la meme que la veleur dans label
alors l'exemple est bien classifié, si non c'est une missclassification
"""
def test(self, test, test_labels):
"""
c'est la méthode qui va tester votre modèle sur les données de test
l'argument test est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple de test dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
test_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
Faites le test sur les données de test, et afficher :
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données de test seulement
"""
# Vous pouvez rajouter d'autres méthodes et fonctions,
# il suffit juste de les commenter.

186
Code/Knn.py Normal file
View file

@ -0,0 +1,186 @@
#!/usr/bin/env python3
# -*- coding: utf-8 -*
"""
Vous allez definir une classe pour chaque algorithme que vous allez développer,
votre classe doit contenit au moins les 3 methodes definies ici bas,
* train : pour entrainer le modèle sur l'ensemble d'entrainement
* predict : pour prédire la classe d'un exemple donné
* test : pour tester sur l'ensemble de test
vous pouvez rajouter d'autres méthodes qui peuvent vous etre utiles, mais moi
je vais avoir besoin de tester les méthodes test, predict et test de votre code.
"""
import numpy as np
def minkowski_distance(x,y,p_value):
return pow(sum(pow(abs(a-b),p_value) for a,b in zip(x, y)),1/p_value)
def mode(a):
u, c = np.unique(a, return_counts=True)
return u[c.argmax()]
# le nom de votre classe
# BayesNaif pour le modèle bayesien naif
# Knn pour le modèle des k plus proches voisins
class Knn: #nom de la class à changer
def __init__(self, **kwargs):
"""
c'est un Initializer.
Vous pouvez passer d'autre paramètres au besoin,
c'est à vous d'utiliser vos propres notations
"""
self.k=5
def train(self, train, train_labels): #vous pouvez rajouter d'autres attribus au besoin
"""
c'est la méthode qui va entrainer votre modèle,
train est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple d'entrainement dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
train_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
------------
Après avoir fait l'entrainement, faites maintenant le test sur
les données d'entrainement
IMPORTANT :
Vous devez afficher ici avec la commande print() de python,
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données d'entrainement
nous allons faire d'autres tests sur les données de test dans la méthode test()
"""
# on fait seulement utiliser les données du jeu d'entrainement comme paramètre d'un modèle Knn
self.train=train
self.train_labels=train_labels
n,m = train.shape
p=m
nn=np.empty((n,self.k,2))
# On trouve les k plus proches voisins et leur distance pour chacunes des observations du training set
# On enlève la valeur testée de la liste des points pour lesquels on mesure la distance car on sait qu'elle vaut 0.
# On veut tester sur les autres points seulement
for x in range(n):
i_range = [i for i in range(n)]
i_range.pop(x)
nn[x,:,0]=i_range[0:self.k]
nn[x,:,1]=np.apply_along_axis(minkowski_distance,1,self.train[i_range[0:self.k]],train[x],p)
for i in i_range[self.k:n]:
dist = minkowski_distance(self.train[i],train[x],p)
nn_dist=nn[x,:,1]
distdiff = nn_dist-dist
max_distdiff=max(distdiff)
if(max_distdiff>0):
pos_changement = np.argwhere(nn_dist==max(nn_dist))[0]
nn[x,pos_changement,0]=i
nn[x,pos_changement,1]=max_distdiff
# on retrouve le label modal pour chacunes des observations
nn_labels = self.train_labels[nn[:,:,0].astype(np.int)]
nn_mode_label = np.apply_along_axis(mode,1,nn_labels)
# on construit la matrice de confusion
cm = self.confusion_matrix(train_labels,nn_mode_label)
accuracy, precision, recall = self.prediction_metrics(cm,train_labels,nn_mode_label)
self.print_prediction_metrics(cm,accuracy,precision,recall)
return cm,accuracy,precision,recall
def predict(self, exemple, label):
"""
Prédire la classe d'un exemple donné en entrée
exemple est de taille 1xm
si la valeur retournée est la meme que la veleur dans label
alors l'exemple est bien classifié, si non c'est une missclassification
"""
def test(self, test, test_labels):
"""
c'est la méthode qui va tester votre modèle sur les données de test
l'argument test est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple de test dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
test_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
Faites le test sur les données de test, et afficher :
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données de test seulement
"""
def confusion_matrix(self,obs_labels,pred_labels):
"""
Retourne la matrice de confusion
Prend en entrée deux vecteurs d'étiquettes: observations et prédictions
Retourne une matrice NumPy
"""
unique_obs_labels=np.unique(obs_labels)
unique_pred_labels=np.unique(pred_labels)
nb_unique_obs_labels=(unique_obs_labels.shape)[0]
nb_unique_pred_labels=(unique_pred_labels.shape)[0]
confusion_matrix = np.zeros((nb_unique_obs_labels,nb_unique_pred_labels))
for observed,predicted in zip(obs_labels,pred_labels):
confusion_matrix[observed][predicted] += 1
return confusion_matrix
def prediction_metrics(self,cm,obs_labels,pred_labels):
"""
Cette fonction retourne les métriques accuracy, precision et recall
Elle prend en entrée la matrice de confusion et les vecteurs d'étiquettes: observations et prédictions
accuracy=(tp+tn)/all
precision=tp/(tp+fp)
recall=tp/(tp+fn)
"""
accuracy = (obs_labels == pred_labels).sum() / float(len(obs_labels))
precision=[]
recall=[]
for label_num in np.unique(obs_labels):
precision.append(cm[label_num,label_num] / sum(cm[:,label_num]))
recall.append(cm[label_num,label_num] / sum(cm[label_num,:]))
return accuracy, precision, recall
def print_prediction_metrics(self,cm,accuracy,precision,recall):
"""
Cette fonction imprime la matrice de confusion et les métriques
"""
print("Matrice de confusion:")
print(cm)
print("\nAccuracy:")
print(accuracy)
print("\nPrecision:")
print(precision)
print("\nRecall")
print(recall)
# Vous pouvez rajouter d'autres méthodes et fonctions,
# il suffit juste de les commenter.

90
Code/classifieur.py Normal file
View file

@ -0,0 +1,90 @@
"""
Vous allez definir une classe pour chaque algorithme que vous allez développer,
votre classe doit contenit au moins les 3 methodes definies ici bas,
* train : pour entrainer le modèle sur l'ensemble d'entrainement
* predict : pour prédire la classe d'un exemple donné
* test : pour tester sur l'ensemble de test
vous pouvez rajouter d'autres méthodes qui peuvent vous etre utiles, mais moi
je vais avoir besoin de tester les méthodes test, predict et test de votre code.
"""
import numpy as np
# le nom de votre classe
# BayesNaif pour le modèle bayesien naif
# Knn pour le modèle des k plus proches voisins
class Classifier: #nom de la class à changer
def __init__(self, **kwargs):
"""
c'est un Initializer.
Vous pouvez passer d'autre paramètres au besoin,
c'est à vous d'utiliser vos propres notations
"""
def train(self, train, train_labels): #vous pouvez rajouter d'autres attribus au besoin
"""
c'est la méthode qui va entrainer votre modèle,
train est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple d'entrainement dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
train_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
------------
Après avoir fait l'entrainement, faites maintenant le test sur
les données d'entrainement
IMPORTANT :
Vous devez afficher ici avec la commande print() de python,
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données d'entrainement
nous allons faire d'autres tests sur les données de test dans la méthode test()
"""
def predict(self, exemple, label):
"""
Prédire la classe d'un exemple donné en entrée
exemple est de taille 1xm
si la valeur retournée est la meme que la veleur dans label
alors l'exemple est bien classifié, si non c'est une missclassification
"""
def test(self, test, test_labels):
"""
c'est la méthode qui va tester votre modèle sur les données de test
l'argument test est une matrice de type Numpy et de taille nxm, avec
n : le nombre d'exemple de test dans le dataset
m : le mobre d'attribus (le nombre de caractéristiques)
test_labels : est une matrice numpy de taille nx1
vous pouvez rajouter d'autres arguments, il suffit juste de
les expliquer en commentaire
Faites le test sur les données de test, et afficher :
- la matrice de confision (confusion matrix)
- l'accuracy
- la précision (precision)
- le rappel (recall)
Bien entendu ces tests doivent etre faits sur les données de test seulement
"""
# Vous pouvez rajouter d'autres méthodes et fonctions,
# il suffit juste de les commenter.

151
Code/datasets/bezdekIris.data Normal file
View file

@ -0,0 +1,151 @@
5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa
5.4,3.9,1.7,0.4,Iris-setosa
4.6,3.4,1.4,0.3,Iris-setosa
5.0,3.4,1.5,0.2,Iris-setosa
4.4,2.9,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.4,3.7,1.5,0.2,Iris-setosa
4.8,3.4,1.6,0.2,Iris-setosa
4.8,3.0,1.4,0.1,Iris-setosa
4.3,3.0,1.1,0.1,Iris-setosa
5.8,4.0,1.2,0.2,Iris-setosa
5.7,4.4,1.5,0.4,Iris-setosa
5.4,3.9,1.3,0.4,Iris-setosa
5.1,3.5,1.4,0.3,Iris-setosa
5.7,3.8,1.7,0.3,Iris-setosa
5.1,3.8,1.5,0.3,Iris-setosa
5.4,3.4,1.7,0.2,Iris-setosa
5.1,3.7,1.5,0.4,Iris-setosa
4.6,3.6,1.0,0.2,Iris-setosa
5.1,3.3,1.7,0.5,Iris-setosa
4.8,3.4,1.9,0.2,Iris-setosa
5.0,3.0,1.6,0.2,Iris-setosa
5.0,3.4,1.6,0.4,Iris-setosa
5.2,3.5,1.5,0.2,Iris-setosa
5.2,3.4,1.4,0.2,Iris-setosa
4.7,3.2,1.6,0.2,Iris-setosa
4.8,3.1,1.6,0.2,Iris-setosa
5.4,3.4,1.5,0.4,Iris-setosa
5.2,4.1,1.5,0.1,Iris-setosa
5.5,4.2,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.2,Iris-setosa
5.0,3.2,1.2,0.2,Iris-setosa
5.5,3.5,1.3,0.2,Iris-setosa
4.9,3.6,1.4,0.1,Iris-setosa
4.4,3.0,1.3,0.2,Iris-setosa
5.1,3.4,1.5,0.2,Iris-setosa
5.0,3.5,1.3,0.3,Iris-setosa
4.5,2.3,1.3,0.3,Iris-setosa
4.4,3.2,1.3,0.2,Iris-setosa
5.0,3.5,1.6,0.6,Iris-setosa
5.1,3.8,1.9,0.4,Iris-setosa
4.8,3.0,1.4,0.3,Iris-setosa
5.1,3.8,1.6,0.2,Iris-setosa
4.6,3.2,1.4,0.2,Iris-setosa
5.3,3.7,1.5,0.2,Iris-setosa
5.0,3.3,1.4,0.2,Iris-setosa
7.0,3.2,4.7,1.4,Iris-versicolor
6.4,3.2,4.5,1.5,Iris-versicolor
6.9,3.1,4.9,1.5,Iris-versicolor
5.5,2.3,4.0,1.3,Iris-versicolor
6.5,2.8,4.6,1.5,Iris-versicolor
5.7,2.8,4.5,1.3,Iris-versicolor
6.3,3.3,4.7,1.6,Iris-versicolor
4.9,2.4,3.3,1.0,Iris-versicolor
6.6,2.9,4.6,1.3,Iris-versicolor
5.2,2.7,3.9,1.4,Iris-versicolor
5.0,2.0,3.5,1.0,Iris-versicolor
5.9,3.0,4.2,1.5,Iris-versicolor
6.0,2.2,4.0,1.0,Iris-versicolor
6.1,2.9,4.7,1.4,Iris-versicolor
5.6,2.9,3.6,1.3,Iris-versicolor
6.7,3.1,4.4,1.4,Iris-versicolor
5.6,3.0,4.5,1.5,Iris-versicolor
5.8,2.7,4.1,1.0,Iris-versicolor
6.2,2.2,4.5,1.5,Iris-versicolor
5.6,2.5,3.9,1.1,Iris-versicolor
5.9,3.2,4.8,1.8,Iris-versicolor
6.1,2.8,4.0,1.3,Iris-versicolor
6.3,2.5,4.9,1.5,Iris-versicolor
6.1,2.8,4.7,1.2,Iris-versicolor
6.4,2.9,4.3,1.3,Iris-versicolor
6.6,3.0,4.4,1.4,Iris-versicolor
6.8,2.8,4.8,1.4,Iris-versicolor
6.7,3.0,5.0,1.7,Iris-versicolor
6.0,2.9,4.5,1.5,Iris-versicolor
5.7,2.6,3.5,1.0,Iris-versicolor
5.5,2.4,3.8,1.1,Iris-versicolor
5.5,2.4,3.7,1.0,Iris-versicolor
5.8,2.7,3.9,1.2,Iris-versicolor
6.0,2.7,5.1,1.6,Iris-versicolor
5.4,3.0,4.5,1.5,Iris-versicolor
6.0,3.4,4.5,1.6,Iris-versicolor
6.7,3.1,4.7,1.5,Iris-versicolor
6.3,2.3,4.4,1.3,Iris-versicolor
5.6,3.0,4.1,1.3,Iris-versicolor
5.5,2.5,4.0,1.3,Iris-versicolor
5.5,2.6,4.4,1.2,Iris-versicolor
6.1,3.0,4.6,1.4,Iris-versicolor
5.8,2.6,4.0,1.2,Iris-versicolor
5.0,2.3,3.3,1.0,Iris-versicolor
5.6,2.7,4.2,1.3,Iris-versicolor
5.7,3.0,4.2,1.2,Iris-versicolor
5.7,2.9,4.2,1.3,Iris-versicolor
6.2,2.9,4.3,1.3,Iris-versicolor
5.1,2.5,3.0,1.1,Iris-versicolor
5.7,2.8,4.1,1.3,Iris-versicolor
6.3,3.3,6.0,2.5,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
7.1,3.0,5.9,2.1,Iris-virginica
6.3,2.9,5.6,1.8,Iris-virginica
6.5,3.0,5.8,2.2,Iris-virginica
7.6,3.0,6.6,2.1,Iris-virginica
4.9,2.5,4.5,1.7,Iris-virginica
7.3,2.9,6.3,1.8,Iris-virginica
6.7,2.5,5.8,1.8,Iris-virginica
7.2,3.6,6.1,2.5,Iris-virginica
6.5,3.2,5.1,2.0,Iris-virginica
6.4,2.7,5.3,1.9,Iris-virginica
6.8,3.0,5.5,2.1,Iris-virginica
5.7,2.5,5.0,2.0,Iris-virginica
5.8,2.8,5.1,2.4,Iris-virginica
6.4,3.2,5.3,2.3,Iris-virginica
6.5,3.0,5.5,1.8,Iris-virginica
7.7,3.8,6.7,2.2,Iris-virginica
7.7,2.6,6.9,2.3,Iris-virginica
6.0,2.2,5.0,1.5,Iris-virginica
6.9,3.2,5.7,2.3,Iris-virginica
5.6,2.8,4.9,2.0,Iris-virginica
7.7,2.8,6.7,2.0,Iris-virginica
6.3,2.7,4.9,1.8,Iris-virginica
6.7,3.3,5.7,2.1,Iris-virginica
7.2,3.2,6.0,1.8,Iris-virginica
6.2,2.8,4.8,1.8,Iris-virginica
6.1,3.0,4.9,1.8,Iris-virginica
6.4,2.8,5.6,2.1,Iris-virginica
7.2,3.0,5.8,1.6,Iris-virginica
7.4,2.8,6.1,1.9,Iris-virginica
7.9,3.8,6.4,2.0,Iris-virginica
6.4,2.8,5.6,2.2,Iris-virginica
6.3,2.8,5.1,1.5,Iris-virginica
6.1,2.6,5.6,1.4,Iris-virginica
7.7,3.0,6.1,2.3,Iris-virginica
6.3,3.4,5.6,2.4,Iris-virginica
6.4,3.1,5.5,1.8,Iris-virginica
6.0,3.0,4.8,1.8,Iris-virginica
6.9,3.1,5.4,2.1,Iris-virginica
6.7,3.1,5.6,2.4,Iris-virginica
6.9,3.1,5.1,2.3,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
6.8,3.2,5.9,2.3,Iris-virginica
6.7,3.3,5.7,2.5,Iris-virginica
6.7,3.0,5.2,2.3,Iris-virginica
6.3,2.5,5.0,1.9,Iris-virginica
6.5,3.0,5.2,2.0,Iris-virginica
6.2,3.4,5.4,2.3,Iris-virginica
5.9,3.0,5.1,1.8,Iris-virginica

435
Code/datasets/house-votes-84.data Normal file
View file

@ -0,0 +1,435 @@
republican,n,y,n,y,y,y,n,n,n,y,?,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,?
democrat,?,y,y,?,y,y,n,n,n,n,y,n,y,y,n,n
democrat,n,y,y,n,?,y,n,n,n,n,y,n,y,n,n,y
democrat,y,y,y,n,y,y,n,n,n,n,y,?,y,y,y,y
democrat,n,y,y,n,y,y,n,n,n,n,n,n,y,y,y,y
democrat,n,y,n,y,y,y,n,n,n,n,n,n,?,y,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,n,y,y,?,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,?,?
republican,n,y,n,y,y,n,n,n,n,n,?,?,y,y,n,n
republican,n,y,n,y,y,y,n,n,n,n,y,?,y,y,?,?
democrat,n,y,y,n,n,n,y,y,y,n,n,n,y,n,?,?
democrat,y,y,y,n,n,y,y,y,?,y,y,?,n,n,y,?
republican,n,y,n,y,y,y,n,n,n,n,n,y,?,?,n,?
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,?,n,?
democrat,y,n,y,n,n,y,n,y,?,y,y,y,?,n,n,y
democrat,y,?,y,n,n,n,y,y,y,n,n,n,y,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,?,y,y,n,n
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,y
democrat,y,y,y,n,n,?,y,y,n,n,y,n,n,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,?,?,y,y
democrat,y,?,y,n,n,n,y,y,y,n,n,?,n,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,y,n,n,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,y
republican,y,n,n,y,y,n,y,y,y,n,n,y,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,?
democrat,y,y,y,n,n,n,y,y,y,y,n,n,y,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,y,?,n,y,y,y,n,n,n,y,n,y,?,y,n,y
republican,y,y,n,y,y,y,n,n,n,n,n,n,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,n,y,n,n,n,y,y,y,y,y,n,y,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,?,n,n,n,n,?
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,n,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,n,?
democrat,y,y,y,n,n,n,y,y,?,n,y,n,n,n,y,?
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,n,y
democrat,y,n,y,n,n,n,y,y,?,n,n,n,n,n,n,?
democrat,y,y,y,n,n,n,y,y,n,n,n,n,n,y,n,y
republican,n,?,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,y
republican,n,y,n,y,y,y,n,?,n,n,n,y,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,?,?
republican,y,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,y,y,n,n,y,?,y,n,n,y,y,n,y,n,?
republican,n,y,n,y,y,y,n,n,n,y,y,y,y,y,n,n
republican,n,y,n,y,y,y,n,n,n,y,y,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,?
democrat,y,y,y,n,n,?,y,y,y,y,n,n,n,n,y,?
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,n,?
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,n,y
democrat,y,y,y,n,n,n,y,y,y,n,y,?,n,n,n,y
republican,y,y,n,y,y,y,y,n,n,n,n,y,y,y,n,y
republican,n,y,n,y,y,y,y,n,n,n,y,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,?,y,n,n,n,y,y,y,n,n,n,y,n,y,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,y,n,y,?
republican,y,y,y,y,n,n,y,y,y,y,y,n,n,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,y,?
republican,y,n,y,y,y,n,y,n,y,y,n,n,y,y,n,y
democrat,y,n,y,n,n,y,y,y,y,y,y,n,n,y,y,y
democrat,n,y,y,y,y,y,n,n,n,y,y,n,y,y,n,n
democrat,n,y,y,n,y,y,n,n,n,y,y,y,y,y,n,?
democrat,n,y,y,y,y,y,n,y,y,y,y,y,y,y,n,y
democrat,y,y,y,n,y,y,n,n,n,y,y,n,y,y,n,y
republican,n,n,n,y,y,n,n,n,n,y,n,y,y,y,n,n
democrat,y,n,y,n,n,y,y,y,y,y,n,y,n,y,n,?
democrat,y,n,y,n,n,n,y,y,?,y,y,y,n,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,n,n,y,n,y,y,n,n,n,y,y,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,n,y,y,n,y,y,y,n,y,y,y,n,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,?,y,y,n,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,y,y,y,n,n,n,y,y,n,y,y,n,n,?,y,y
democrat,y,n,y,n,n,n,y,n,y,y,y,n,n,n,y,y
democrat,y,n,y,n,y,y,n,n,n,n,n,n,n,n,n,y
democrat,y,n,y,n,y,y,n,?,?,n,y,?,?,?,y,y
democrat,n,n,?,n,y,y,n,n,n,n,y,y,y,y,n,y
democrat,y,n,n,n,y,y,y,n,n,y,y,n,n,y,n,y
democrat,y,y,y,n,n,y,y,y,y,y,n,n,n,n,n,y
republican,n,n,n,y,y,y,n,n,n,y,?,y,y,y,n,n
democrat,y,n,n,n,y,y,n,n,n,n,y,y,n,y,n,y
democrat,y,n,y,n,y,y,y,n,n,n,y,n,n,y,n,y
democrat,y,n,y,n,y,y,y,n,?,n,y,n,y,y,y,?
democrat,y,n,n,n,y,y,?,n,?,n,n,n,n,y,?,n
democrat,?,?,?,?,n,y,y,y,y,y,?,n,y,y,n,?
democrat,y,y,y,n,n,n,n,y,y,n,y,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
republican,n,?,?,?,?,?,?,?,?,?,?,?,?,y,?,?
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,n,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,n,?,y,n,n,y,y,y,n,y,n,n,n,n,y,?
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,n,?,y,n,?,?,y,y,y,y,?,?,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,y,n,n,n,y,y
republican,y,y,y,y,y,n,y,n,n,n,n,y,y,y,n,y
democrat,n,y,y,n,n,n,n,y,y,y,y,n,n,n,y,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,?,?,y,y,y,n,n,n,y,n,y,y,y,?,y
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,n,y,n,y
republican,y,?,n,y,y,y,n,y,n,n,n,y,y,y,n,y
democrat,n,?,y,n,n,n,y,y,y,n,n,n,n,n,y,y
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,?,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,n,?,y,n,n,n,y,y,y,y,y,n,n,y,y,y
democrat,n,?,y,n,n,y,n,y,n,y,y,n,n,n,y,y
democrat,?,?,y,n,n,n,y,y,?,n,?,?,?,?,?,?
democrat,y,?,y,n,?,?,y,y,y,n,n,n,n,n,y,?
democrat,n,n,y,n,n,y,n,y,y,y,n,n,n,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,?
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,?
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
republican,n,y,n,y,y,y,n,n,n,y,y,y,y,n,n,y
democrat,n,?,y,n,n,y,y,y,y,y,n,n,n,y,y,y
democrat,n,n,y,n,n,y,y,y,y,y,n,n,n,y,n,y
democrat,y,n,y,n,n,y,y,y,y,n,n,n,n,n,y,y
republican,n,n,n,y,n,n,y,y,y,y,n,n,y,y,n,y
republican,n,n,n,y,y,y,y,y,y,y,n,y,y,y,?,y
republican,n,n,n,y,y,y,y,y,y,y,n,y,y,y,n,y
democrat,?,y,n,n,n,n,y,y,y,y,y,n,n,y,y,y
democrat,n,?,n,n,n,y,y,y,y,y,n,n,n,y,n,?
democrat,n,n,y,n,n,y,y,y,y,y,n,n,n,y,?,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,n,n,n,n,n,n,y,y,y,y,n,y,y,y,y,y
republican,n,y,n,y,y,y,n,n,n,y,y,y,y,y,n,y
democrat,n,n,y,n,n,n,y,y,y,y,n,n,y,n,y,y
republican,y,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,y,y,?,y,y,y,n,n,y,n,y,?,y,y,n,n
democrat,n,y,y,n,n,y,n,y,y,y,y,n,y,n,y,y
democrat,n,n,y,n,n,y,y,y,y,y,y,n,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,y,y,n,y,y,y,n,?,n,n,y,y,y,y,n,n
republican,y,y,n,y,y,y,y,n,n,n,n,y,y,y,n,n
democrat,n,y,y,n,n,y,n,y,y,n,y,n,?,?,?,?
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,n,y,y,n,?,y,y,y,y,y,y,n,n,?,n,?
democrat,n,y,n,n,y,y,n,n,n,n,n,y,y,y,y,y
democrat,n,n,n,n,y,y,y,n,n,n,n,y,y,y,n,y
democrat,n,y,y,n,y,y,y,n,n,n,y,y,y,y,n,y
republican,n,y,n,y,y,y,y,n,n,n,n,y,y,y,n,y
democrat,y,y,n,n,y,y,n,n,n,y,y,y,y,y,n,?
democrat,n,y,y,n,n,y,y,y,y,y,y,n,y,n,y,?
republican,y,n,y,y,y,y,y,y,n,y,n,y,n,y,y,y
republican,y,n,y,y,y,y,y,y,n,y,y,y,n,y,y,y
democrat,n,n,y,y,y,y,n,n,y,n,n,n,y,y,y,?
democrat,y,n,y,n,n,n,y,y,y,y,y,n,n,y,n,y
democrat,y,n,y,n,n,n,?,y,y,?,n,n,n,n,y,?
republican,n,?,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,n,y,y,n,n,n,y,y,y,y,n,n,?,n,y,y
democrat,n,n,n,n,y,y,n,n,n,y,y,y,y,y,n,y
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,n,y,y,n,n,n,y,y,y,y,n,n,n,n,y,y
republican,n,n,y,y,n,n,y,y,y,y,n,n,n,y,y,y
democrat,n,n,y,n,n,n,y,y,y,y,y,?,n,n,y,y
democrat,?,n,y,n,n,n,y,y,y,y,y,?,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
democrat,?,?,y,n,n,n,y,y,y,?,?,n,n,n,?,?
democrat,n,n,y,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,?,?,?,?,?,?,?,?,y,?,?,?,?,?,?,?
democrat,n,n,y,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,y,n,?,n,n,y,y
democrat,n,y,y,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
republican,y,?,n,y,y,y,y,y,n,n,n,y,?,y,?,?
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
republican,n,?,n,y,y,y,n,n,n,n,n,y,y,y,n,?
republican,n,y,n,y,y,y,n,?,n,y,n,y,y,y,n,?
democrat,n,n,n,n,n,y,y,y,y,n,y,n,n,y,y,y
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,n,n,y,n,n,y,y,?,y,y,y,n,n,n,y,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,?
democrat,n,n,y,n,n,y,y,y,y,n,y,y,n,y,y,?
republican,n,?,y,y,y,y,n,n,n,y,n,n,n,y,n,y
democrat,n,n,y,n,n,n,y,y,y,y,y,n,?,n,y,?
democrat,y,y,n,n,n,n,y,y,?,n,y,n,n,n,y,?
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,y,y,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,n,y,n,n,y,y,y,y,y,y,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
republican,n,n,y,y,y,y,y,n,n,n,n,y,y,y,n,y
democrat,n,n,y,n,n,y,y,y,y,y,n,y,n,n,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,n,y,n,y
republican,y,?,n,y,y,y,y,n,n,y,n,y,y,y,n,y
democrat,n,n,y,n,n,n,y,y,y,n,n,?,n,n,y,y
democrat,y,y,y,n,n,n,y,y,y,y,y,n,n,n,n,y
democrat,n,n,y,n,n,y,y,y,y,n,n,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,n,n,y,n,n,n,y,y,y,n,y,n,n,n,y,y
democrat,n,y,y,n,n,y,n,y,y,n,y,n,y,n,y,y
republican,y,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,n,y,y,y,y,y,n,n,n,y,y,y,y,y,y,?
democrat,y,y,y,n,y,y,n,n,?,y,n,n,n,y,y,?
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,?,y,n,n,n,y,y,y,n,?,n,n,n,y,?
democrat,n,y,y,n,n,n,n,y,y,n,y,n,n,y,y,y
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,n,y,y,n,y,y,n,n,n,n,y,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,y,n,n,n,y,?
republican,n,n,n,y,y,n,n,n,n,n,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,?,y,y,n,n
republican,n,?,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,n,n,y,n,n,y,y,y,y,n,y,n,n,y,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,?,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,?,n,y
republican,n,y,y,y,y,y,y,n,y,y,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,y,y,n,y,y,y,n,y
democrat,n,y,y,n,n,n,y,y,n,n,y,n,n,n,y,?
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
democrat,n,n,y,n,n,y,y,y,y,y,n,y,n,y,y,?
republican,n,n,n,y,y,y,n,n,n,y,n,y,n,y,n,y
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,n,y,n,n,y,y,y,n,n,n,y,y,n,n,y
democrat,y,y,y,n,n,n,y,y,?,y,n,n,n,n,y,?
republican,n,n,n,y,y,y,y,n,n,y,n,n,n,y,y,y
republican,n,n,n,y,n,y,y,?,y,n,n,y,y,y,n,y
democrat,y,n,y,n,n,n,y,y,y,y,y,n,n,y,y,y
republican,n,n,n,n,y,y,y,n,n,n,n,?,n,y,y,y
democrat,n,y,y,n,n,n,y,y,?,y,n,n,y,n,y,y
democrat,y,n,y,n,n,n,n,y,y,y,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,n,n,y,n,y,n,y,y,y,n,n,n,n,y,?,y
republican,n,y,n,y,y,y,?,n,n,n,n,?,y,y,n,n
republican,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?
democrat,y,n,y,n,n,n,y,y,?,n,y,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,y,y,n,n,y,y,y,y,n,n,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,n,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,y,y,y
republican,n,n,n,y,y,n,n,n,n,n,n,y,n,y,n,n
republican,n,n,n,y,y,n,n,n,n,n,n,y,n,y,?,y
democrat,n,n,y,n,n,n,y,y,y,n,y,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,n,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,n,y
democrat,y,n,y,n,n,?,y,y,y,n,?,?,n,?,?,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,?,n,y,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,n,y,n,y
republican,y,n,n,n,n,n,y,y,y,y,n,n,n,y,n,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,n,y,y,n,n,y,y,y,y,n,?,n,n,n,n,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,?
republican,n,n,n,y,y,n,y,y,n,y,n,y,y,y,?,y
republican,y,n,n,y,y,n,y,n,n,y,n,n,n,y,y,y
democrat,n,n,y,n,y,y,n,n,n,n,?,n,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,y,n
republican,n,n,y,y,y,y,y,y,n,y,n,n,n,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,n,n,y,n,n,n,y,y,y,y,n,n,n,y,n,y
republican,y,n,y,y,y,y,y,y,n,n,n,n,n,y,n,?
republican,y,n,n,y,y,y,n,n,n,y,n,?,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,n,n,y,n,n,y,y,y,y,y,y,n,n,n,?,y
democrat,n,n,y,n,n,y,y,y,y,y,y,n,n,n,y,y
democrat,n,n,y,n,n,y,?,y,?,y,y,y,n,y,y,?
democrat,y,y,y,?,n,y,y,y,y,n,y,n,y,n,?,y
democrat,y,y,y,n,y,y,n,y,n,y,y,n,y,y,y,y
democrat,y,y,y,n,y,y,n,y,n,y,y,n,y,y,n,?
democrat,y,n,y,n,?,y,?,y,y,y,n,n,y,y,n,y
democrat,y,n,y,n,n,y,y,y,y,y,n,?,n,y,n,y
democrat,y,n,y,n,n,y,y,y,n,y,y,n,y,y,y,y
democrat,y,y,y,n,n,y,y,y,y,y,y,n,y,y,y,y
democrat,n,y,y,n,n,y,y,y,n,y,y,n,y,y,n,?
republican,n,y,n,y,y,y,?,?,n,y,n,y,?,?,?,?
republican,n,n,y,y,y,y,n,n,n,y,n,y,y,y,y,y
democrat,y,y,y,n,n,y,y,y,y,y,n,n,?,n,y,?
democrat,n,y,n,n,n,n,y,y,y,y,y,n,n,n,y,y
democrat,n,y,y,n,n,y,y,y,y,y,n,n,y,y,y,y
republican,n,n,n,y,y,n,y,y,y,y,n,y,y,y,n,y
democrat,n,n,?,n,n,y,y,y,y,n,n,n,n,n,y,y
republican,n,n,n,y,y,y,y,n,n,y,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,?
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,n,y,n,n,y,y,y,y,n,n,n,n,y,n,?
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,n,n,n,n,y,y,y,y,y,n,n,n,y,y,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,y,n
democrat,n,n,y,n,n,y,y,y,y,y,n,n,y,n,n,y
democrat,y,y,y,n,n,n,y,y,y,y,n,n,n,n,y,y
republican,n,y,y,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,y,n,y,y,y,y,y,n,n,y,y,y,y,y,y
republican,n,y,y,y,y,y,y,?,n,n,n,n,?,?,y,?
democrat,n,n,n,n,n,y,n,y,y,n,y,y,y,y,y,n
democrat,y,n,n,n,n,n,y,y,y,y,n,n,n,n,y,y
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,n,y,y,n,n,y,n,y,y,y,n,n,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,y,n,n,y,n,n,y
democrat,y,y,y,n,?,y,n,?,n,n,y,n,y,y,n,?
democrat,y,y,y,n,y,y,n,y,?,y,n,n,y,y,n,?
republican,n,y,n,y,y,y,n,n,n,n,y,y,y,y,n,n
democrat,n,y,n,n,y,y,n,n,?,n,n,y,y,y,n,y
democrat,y,y,n,y,n,n,y,y,y,n,y,n,n,y,n,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,y,n,n,n,n,y
democrat,y,?,y,n,n,y,y,y,y,y,n,n,n,n,y,?
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,?,y,n,n,n,y,y,y,n,n,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,n,y,n,n,n,y,?
democrat,n,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,n,y,y,n,n,y,y,y,?,n,y,y,n,n,y,y
republican,n,n,n,y,y,y,n,n,n,y,y,y,y,y,n,?
democrat,n,n,y,n,n,y,y,y,n,n,y,n,n,y,?,y
democrat,y,n,y,n,n,n,y,y,y,n,n,n,n,n,y,y
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,y,y,y
republican,y,n,n,y,y,y,n,n,n,n,y,y,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,y,y,y,n,y,n,y
democrat,n,?,y,?,n,y,y,y,y,y,y,n,?,?,y,y
democrat,n,y,y,n,y,?,y,n,n,y,y,n,y,n,y,y
republican,n,n,n,y,y,n,y,n,y,y,n,n,n,y,n,y
democrat,n,n,y,n,n,n,y,y,y,y,y,n,n,n,y,y
republican,n,n,n,y,y,y,y,n,n,y,n,y,n,y,y,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,y,n,n,y,y,y,n,n,n,y,n,y,y,y,n,n
democrat,y,n,y,n,n,n,y,y,y,y,n,y,n,n,y,?
republican,n,y,y,y,y,y,y,y,y,n,n,y,y,y,n,y
democrat,n,y,n,n,n,y,y,n,y,n,y,n,n,n,y,y
republican,n,n,y,y,y,y,y,y,y,y,n,y,y,y,y,y
democrat,n,y,n,y,n,y,y,y,y,n,y,n,y,n,y,?
republican,n,n,y,y,y,y,y,n,n,y,y,y,y,y,n,y
democrat,n,y,y,n,n,y,y,y,y,y,n,?,n,n,y,y
republican,y,n,y,y,n,n,n,y,y,y,n,n,n,y,y,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
democrat,y,y,y,n,n,y,y,y,y,y,y,y,y,y,n,?
republican,n,n,n,y,y,y,n,n,n,y,?,y,y,y,n,y
democrat,y,n,y,n,n,y,y,y,y,y,n,n,y,n,n,y
democrat,y,n,y,n,y,y,y,n,y,y,n,n,y,y,n,?
democrat,y,y,y,n,n,y,y,y,y,y,y,y,y,n,n,y
republican,y,y,n,y,y,y,n,n,n,y,y,n,y,n,n,n
republican,y,y,n,y,y,y,n,n,n,n,y,n,y,y,n,y
democrat,n,y,n,n,y,y,n,n,n,y,y,n,y,y,n,n
democrat,y,n,y,n,n,n,y,y,n,y,y,n,n,n,n,?
democrat,y,y,y,n,y,y,y,y,n,y,y,n,n,n,y,?
democrat,n,y,y,n,n,y,y,y,n,y,n,n,n,n,y,y
republican,n,y,n,y,y,y,n,n,n,n,n,n,y,y,n,y
democrat,y,y,y,n,?,y,y,y,n,y,?,?,n,n,y,y
democrat,y,y,y,n,?,n,y,y,y,y,n,n,n,n,y,?
democrat,n,y,y,y,y,y,n,n,n,n,y,y,?,y,n,n
democrat,n,y,y,?,y,y,n,y,n,y,?,n,y,y,?,y
republican,n,y,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,n,y,n,y,y,y,n,n,n,n,y,y,n,y,n,n
democrat,y,?,y,n,n,n,y,y,y,n,y,n,n,n,y,y
republican,n,y,n,y,y,y,?,?,n,n,?,?,y,?,?,?
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,y,y,n,n,y,?,y,y,n,y,n,y,n,y,y
democrat,y,y,y,n,y,y,y,y,y,y,y,n,y,y,n,?
democrat,y,y,n,y,y,y,n,n,n,n,y,n,y,y,n,?
democrat,y,y,y,n,y,y,n,y,y,y,y,n,n,n,n,y
democrat,y,y,y,y,y,y,n,n,n,n,y,y,y,y,n,y
democrat,y,y,n,n,y,y,n,n,n,n,y,y,y,y,y,n
democrat,n,?,y,n,y,y,n,y,n,n,y,n,n,n,n,?
democrat,y,y,y,n,y,y,n,y,y,n,y,n,n,y,n,?
democrat,n,y,y,y,y,y,n,n,n,n,n,y,y,y,n,?
democrat,y,n,y,n,n,n,y,y,y,?,y,n,n,n,y,?
democrat,?,?,n,n,?,y,?,n,n,n,y,y,n,y,n,?
democrat,y,y,n,n,n,n,n,y,y,n,y,n,n,n,y,n
republican,y,y,n,y,y,y,n,n,n,n,y,y,y,y,n,y
republican,?,?,?,?,n,y,n,y,y,n,n,y,y,n,n,?
democrat,y,y,?,?,?,y,n,n,n,n,y,n,y,n,n,y
democrat,y,y,y,?,n,n,n,y,n,n,y,?,n,n,y,y
democrat,y,y,y,n,y,y,n,y,n,n,y,n,y,n,y,y
democrat,y,y,n,n,y,?,n,n,n,n,y,n,y,y,n,y
democrat,n,y,y,n,y,y,n,y,n,n,n,n,n,n,n,y
republican,n,y,n,y,?,y,n,n,n,y,n,y,y,y,n,n
republican,n,y,n,y,y,y,n,?,n,n,?,?,?,y,n,?
republican,n,y,n,y,y,y,n,n,n,y,y,y,y,y,n,n
republican,?,n,y,y,n,y,y,y,y,y,n,y,n,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,?,y,n,n
republican,y,y,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,y
democrat,y,n,y,n,y,y,n,n,y,y,n,n,y,y,n,y
democrat,n,n,n,y,y,y,n,n,n,n,y,y,y,y,n,n
democrat,y,n,y,n,n,y,y,y,y,n,n,y,?,y,y,y
republican,n,n,n,y,y,y,n,n,n,n,n,y,y,y,n,n
republican,n,n,n,y,y,y,n,n,n,n,y,y,y,y,n,y
democrat,y,n,y,n,n,y,y,y,y,y,y,n,n,n,n,y
republican,n,n,n,y,y,y,n,n,n,y,n,y,y,y,n,y
republican,y,y,y,y,y,y,y,y,n,y,?,?,?,y,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,n,y
democrat,n,y,y,n,n,y,y,y,?,y,n,n,n,n,n,y
republican,y,y,n,y,y,y,n,n,n,y,n,n,y,y,n,y
democrat,y,y,y,n,n,n,y,y,y,y,y,n,y,n,n,y
democrat,y,y,y,n,n,n,y,y,n,y,n,n,n,n,n,y
democrat,y,y,y,n,n,n,y,y,y,n,n,n,n,n,n,y
republican,y,y,y,y,y,y,y,y,n,y,n,n,y,y,n,y
democrat,n,y,y,n,y,y,y,y,n,n,y,n,y,n,y,y
democrat,n,n,y,n,n,y,y,y,y,n,y,n,n,n,y,y
democrat,n,y,y,n,n,y,y,y,y,n,y,n,n,y,y,y
democrat,n,y,y,n,n,?,y,y,y,y,y,n,?,y,y,y
democrat,n,n,y,n,n,n,y,y,n,y,y,n,n,n,y,?
democrat,y,n,y,n,n,n,y,y,y,y,n,n,n,n,y,y
republican,n,n,n,y,y,y,y,y,n,y,n,y,y,y,n,y
democrat,?,?,?,n,n,n,y,y,y,y,n,n,y,n,y,y
democrat,y,n,y,n,?,n,y,y,y,y,n,y,n,?,y,y
republican,n,n,y,y,y,y,n,n,y,y,n,y,y,y,n,y
democrat,n,n,y,n,n,n,y,y,y,y,n,n,n,n,n,y
republican,n,?,n,y,y,y,n,n,n,n,y,y,y,y,n,y
republican,n,n,n,y,y,y,?,?,?,?,n,y,y,y,n,y
republican,n,y,n,y,y,y,n,n,n,y,n,y,y,y,?,n

432
Code/datasets/monks-1.test Normal file
View file

@ -0,0 +1,432 @@
1 1 1 1 1 1 1 data_1
1 1 1 1 1 1 2 data_2
1 1 1 1 1 2 1 data_3
1 1 1 1 1 2 2 data_4
1 1 1 1 1 3 1 data_5
1 1 1 1 1 3 2 data_6
1 1 1 1 1 4 1 data_7
1 1 1 1 1 4 2 data_8
1 1 1 1 2 1 1 data_9
1 1 1 1 2 1 2 data_10
1 1 1 1 2 2 1 data_11
1 1 1 1 2 2 2 data_12
1 1 1 1 2 3 1 data_13
1 1 1 1 2 3 2 data_14
1 1 1 1 2 4 1 data_15
1 1 1 1 2 4 2 data_16
1 1 1 1 3 1 1 data_17
1 1 1 1 3 1 2 data_18
1 1 1 1 3 2 1 data_19
1 1 1 1 3 2 2 data_20
1 1 1 1 3 3 1 data_21
1 1 1 1 3 3 2 data_22
1 1 1 1 3 4 1 data_23
1 1 1 1 3 4 2 data_24
1 1 1 2 1 1 1 data_25
1 1 1 2 1 1 2 data_26
1 1 1 2 1 2 1 data_27
1 1 1 2 1 2 2 data_28
1 1 1 2 1 3 1 data_29
1 1 1 2 1 3 2 data_30
1 1 1 2 1 4 1 data_31
1 1 1 2 1 4 2 data_32
1 1 1 2 2 1 1 data_33
1 1 1 2 2 1 2 data_34
1 1 1 2 2 2 1 data_35
1 1 1 2 2 2 2 data_36
1 1 1 2 2 3 1 data_37
1 1 1 2 2 3 2 data_38
1 1 1 2 2 4 1 data_39
1 1 1 2 2 4 2 data_40
1 1 1 2 3 1 1 data_41
1 1 1 2 3 1 2 data_42
1 1 1 2 3 2 1 data_43
1 1 1 2 3 2 2 data_44
1 1 1 2 3 3 1 data_45
1 1 1 2 3 3 2 data_46
1 1 1 2 3 4 1 data_47
1 1 1 2 3 4 2 data_48
1 1 2 1 1 1 1 data_49
1 1 2 1 1 1 2 data_50
0 1 2 1 1 2 1 data_51
0 1 2 1 1 2 2 data_52
0 1 2 1 1 3 1 data_53
0 1 2 1 1 3 2 data_54
0 1 2 1 1 4 1 data_55
0 1 2 1 1 4 2 data_56
1 1 2 1 2 1 1 data_57
1 1 2 1 2 1 2 data_58
0 1 2 1 2 2 1 data_59
0 1 2 1 2 2 2 data_60
0 1 2 1 2 3 1 data_61
0 1 2 1 2 3 2 data_62
0 1 2 1 2 4 1 data_63
0 1 2 1 2 4 2 data_64
1 1 2 1 3 1 1 data_65
1 1 2 1 3 1 2 data_66
0 1 2 1 3 2 1 data_67
0 1 2 1 3 2 2 data_68
0 1 2 1 3 3 1 data_69
0 1 2 1 3 3 2 data_70
0 1 2 1 3 4 1 data_71
0 1 2 1 3 4 2 data_72
1 1 2 2 1 1 1 data_73
1 1 2 2 1 1 2 data_74
0 1 2 2 1 2 1 data_75
0 1 2 2 1 2 2 data_76
0 1 2 2 1 3 1 data_77
0 1 2 2 1 3 2 data_78
0 1 2 2 1 4 1 data_79
0 1 2 2 1 4 2 data_80
1 1 2 2 2 1 1 data_81
1 1 2 2 2 1 2 data_82
0 1 2 2 2 2 1 data_83
0 1 2 2 2 2 2 data_84
0 1 2 2 2 3 1 data_85
0 1 2 2 2 3 2 data_86
0 1 2 2 2 4 1 data_87
0 1 2 2 2 4 2 data_88
1 1 2 2 3 1 1 data_89
1 1 2 2 3 1 2 data_90
0 1 2 2 3 2 1 data_91
0 1 2 2 3 2 2 data_92
0 1 2 2 3 3 1 data_93
0 1 2 2 3 3 2 data_94
0 1 2 2 3 4 1 data_95
0 1 2 2 3 4 2 data_96
1 1 3 1 1 1 1 data_97
1 1 3 1 1 1 2 data_98
0 1 3 1 1 2 1 data_99
0 1 3 1 1 2 2 data_100
0 1 3 1 1 3 1 data_101
0 1 3 1 1 3 2 data_102
0 1 3 1 1 4 1 data_103
0 1 3 1 1 4 2 data_104
1 1 3 1 2 1 1 data_105
1 1 3 1 2 1 2 data_106
0 1 3 1 2 2 1 data_107
0 1 3 1 2 2 2 data_108
0 1 3 1 2 3 1 data_109
0 1 3 1 2 3 2 data_110
0 1 3 1 2 4 1 data_111
0 1 3 1 2 4 2 data_112
1 1 3 1 3 1 1 data_113
1 1 3 1 3 1 2 data_114
0 1 3 1 3 2 1 data_115
0 1 3 1 3 2 2 data_116
0 1 3 1 3 3 1 data_117
0 1 3 1 3 3 2 data_118
0 1 3 1 3 4 1 data_119
0 1 3 1 3 4 2 data_120
1 1 3 2 1 1 1 data_121
1 1 3 2 1 1 2 data_122
0 1 3 2 1 2 1 data_123
0 1 3 2 1 2 2 data_124
0 1 3 2 1 3 1 data_125
0 1 3 2 1 3 2 data_126
0 1 3 2 1 4 1 data_127
0 1 3 2 1 4 2 data_128
1 1 3 2 2 1 1 data_129
1 1 3 2 2 1 2 data_130
0 1 3 2 2 2 1 data_131
0 1 3 2 2 2 2 data_132
0 1 3 2 2 3 1 data_133
0 1 3 2 2 3 2 data_134
0 1 3 2 2 4 1 data_135
0 1 3 2 2 4 2 data_136
1 1 3 2 3 1 1 data_137
1 1 3 2 3 1 2 data_138
0 1 3 2 3 2 1 data_139
0 1 3 2 3 2 2 data_140
0 1 3 2 3 3 1 data_141
0 1 3 2 3 3 2 data_142
0 1 3 2 3 4 1 data_143
0 1 3 2 3 4 2 data_144
1 2 1 1 1 1 1 data_145
1 2 1 1 1 1 2 data_146
0 2 1 1 1 2 1 data_147
0 2 1 1 1 2 2 data_148
0 2 1 1 1 3 1 data_149
0 2 1 1 1 3 2 data_150
0 2 1 1 1 4 1 data_151
0 2 1 1 1 4 2 data_152
1 2 1 1 2 1 1 data_153
1 2 1 1 2 1 2 data_154
0 2 1 1 2 2 1 data_155
0 2 1 1 2 2 2 data_156
0 2 1 1 2 3 1 data_157
0 2 1 1 2 3 2 data_158
0 2 1 1 2 4 1 data_159
0 2 1 1 2 4 2 data_160
1 2 1 1 3 1 1 data_161
1 2 1 1 3 1 2 data_162
0 2 1 1 3 2 1 data_163
0 2 1 1 3 2 2 data_164
0 2 1 1 3 3 1 data_165
0 2 1 1 3 3 2 data_166
0 2 1 1 3 4 1 data_167
0 2 1 1 3 4 2 data_168
1 2 1 2 1 1 1 data_169
1 2 1 2 1 1 2 data_170
0 2 1 2 1 2 1 data_171
0 2 1 2 1 2 2 data_172
0 2 1 2 1 3 1 data_173
0 2 1 2 1 3 2 data_174
0 2 1 2 1 4 1 data_175
0 2 1 2 1 4 2 data_176
1 2 1 2 2 1 1 data_177
1 2 1 2 2 1 2 data_178
0 2 1 2 2 2 1 data_179
0 2 1 2 2 2 2 data_180
0 2 1 2 2 3 1 data_181
0 2 1 2 2 3 2 data_182
0 2 1 2 2 4 1 data_183
0 2 1 2 2 4 2 data_184
1 2 1 2 3 1 1 data_185
1 2 1 2 3 1 2 data_186
0 2 1 2 3 2 1 data_187
0 2 1 2 3 2 2 data_188
0 2 1 2 3 3 1 data_189
0 2 1 2 3 3 2 data_190
0 2 1 2 3 4 1 data_191
0 2 1 2 3 4 2 data_192
1 2 2 1 1 1 1 data_193
1 2 2 1 1 1 2 data_194
1 2 2 1 1 2 1 data_195
1 2 2 1 1 2 2 data_196
1 2 2 1 1 3 1 data_197
1 2 2 1 1 3 2 data_198
1 2 2 1 1 4 1 data_199
1 2 2 1 1 4 2 data_200
1 2 2 1 2 1 1 data_201
1 2 2 1 2 1 2 data_202
1 2 2 1 2 2 1 data_203
1 2 2 1 2 2 2 data_204
1 2 2 1 2 3 1 data_205
1 2 2 1 2 3 2 data_206
1 2 2 1 2 4 1 data_207
1 2 2 1 2 4 2 data_208
1 2 2 1 3 1 1 data_209
1 2 2 1 3 1 2 data_210
1 2 2 1 3 2 1 data_211
1 2 2 1 3 2 2 data_212
1 2 2 1 3 3 1 data_213
1 2 2 1 3 3 2 data_214
1 2 2 1 3 4 1 data_215
1 2 2 1 3 4 2 data_216
1 2 2 2 1 1 1 data_217
1 2 2 2 1 1 2 data_218
1 2 2 2 1 2 1 data_219
1 2 2 2 1 2 2 data_220
1 2 2 2 1 3 1 data_221
1 2 2 2 1 3 2 data_222
1 2 2 2 1 4 1 data_223
1 2 2 2 1 4 2 data_224
1 2 2 2 2 1 1 data_225
1 2 2 2 2 1 2 data_226
1 2 2 2 2 2 1 data_227
1 2 2 2 2 2 2 data_228
1 2 2 2 2 3 1 data_229
1 2 2 2 2 3 2 data_230
1 2 2 2 2 4 1 data_231
1 2 2 2 2 4 2 data_232
1 2 2 2 3 1 1 data_233
1 2 2 2 3 1 2 data_234
1 2 2 2 3 2 1 data_235
1 2 2 2 3 2 2 data_236
1 2 2 2 3 3 1 data_237
1 2 2 2 3 3 2 data_238
1 2 2 2 3 4 1 data_239
1 2 2 2 3 4 2 data_240
1 2 3 1 1 1 1 data_241
1 2 3 1 1 1 2 data_242
0 2 3 1 1 2 1 data_243
0 2 3 1 1 2 2 data_244
0 2 3 1 1 3 1 data_245
0 2 3 1 1 3 2 data_246
0 2 3 1 1 4 1 data_247
0 2 3 1 1 4 2 data_248
1 2 3 1 2 1 1 data_249
1 2 3 1 2 1 2 data_250
0 2 3 1 2 2 1 data_251
0 2 3 1 2 2 2 data_252
0 2 3 1 2 3 1 data_253
0 2 3 1 2 3 2 data_254
0 2 3 1 2 4 1 data_255
0 2 3 1 2 4 2 data_256
1 2 3 1 3 1 1 data_257
1 2 3 1 3 1 2 data_258
0 2 3 1 3 2 1 data_259
0 2 3 1 3 2 2 data_260
0 2 3 1 3 3 1 data_261
0 2 3 1 3 3 2 data_262
0 2 3 1 3 4 1 data_263
0 2 3 1 3 4 2 data_264
1 2 3 2 1 1 1 data_265
1 2 3 2 1 1 2 data_266
0 2 3 2 1 2 1 data_267
0 2 3 2 1 2 2 data_268
0 2 3 2 1 3 1 data_269
0 2 3 2 1 3 2 data_270
0 2 3 2 1 4 1 data_271
0 2 3 2 1 4 2 data_272
1 2 3 2 2 1 1 data_273
1 2 3 2 2 1 2 data_274
0 2 3 2 2 2 1 data_275
0 2 3 2 2 2 2 data_276
0 2 3 2 2 3 1 data_277
0 2 3 2 2 3 2 data_278
0 2 3 2 2 4 1 data_279
0 2 3 2 2 4 2 data_280
1 2 3 2 3 1 1 data_281
1 2 3 2 3 1 2 data_282
0 2 3 2 3 2 1 data_283
0 2 3 2 3 2 2 data_284
0 2 3 2 3 3 1 data_285
0 2 3 2 3 3 2 data_286
0 2 3 2 3 4 1 data_287
0 2 3 2 3 4 2 data_288
1 3 1 1 1 1 1 data_289
1 3 1 1 1 1 2 data_290
0 3 1 1 1 2 1 data_291
0 3 1 1 1 2 2 data_292
0 3 1 1 1 3 1 data_293
0 3 1 1 1 3 2 data_294
0 3 1 1 1 4 1 data_295
0 3 1 1 1 4 2 data_296
1 3 1 1 2 1 1 data_297
1 3 1 1 2 1 2 data_298
0 3 1 1 2 2 1 data_299
0 3 1 1 2 2 2 data_300
0 3 1 1 2 3 1 data_301
0 3 1 1 2 3 2 data_302
0 3 1 1 2 4 1 data_303
0 3 1 1 2 4 2 data_304
1 3 1 1 3 1 1 data_305
1 3 1 1 3 1 2 data_306
0 3 1 1 3 2 1 data_307
0 3 1 1 3 2 2 data_308
0 3 1 1 3 3 1 data_309
0 3 1 1 3 3 2 data_310
0 3 1 1 3 4 1 data_311
0 3 1 1 3 4 2 data_312
1 3 1 2 1 1 1 data_313
1 3 1 2 1 1 2 data_314
0 3 1 2 1 2 1 data_315
0 3 1 2 1 2 2 data_316
0 3 1 2 1 3 1 data_317
0 3 1 2 1 3 2 data_318
0 3 1 2 1 4 1 data_319
0 3 1 2 1 4 2 data_320
1 3 1 2 2 1 1 data_321
1 3 1 2 2 1 2 data_322
0 3 1 2 2 2 1 data_323
0 3 1 2 2 2 2 data_324
0 3 1 2 2 3 1 data_325
0 3 1 2 2 3 2 data_326
0 3 1 2 2 4 1 data_327
0 3 1 2 2 4 2 data_328
1 3 1 2 3 1 1 data_329
1 3 1 2 3 1 2 data_330
0 3 1 2 3 2 1 data_331
0 3 1 2 3 2 2 data_332
0 3 1 2 3 3 1 data_333
0 3 1 2 3 3 2 data_334
0 3 1 2 3 4 1 data_335
0 3 1 2 3 4 2 data_336
1 3 2 1 1 1 1 data_337
1 3 2 1 1 1 2 data_338
0 3 2 1 1 2 1 data_339
0 3 2 1 1 2 2 data_340
0 3 2 1 1 3 1 data_341
0 3 2 1 1 3 2 data_342
0 3 2 1 1 4 1 data_343
0 3 2 1 1 4 2 data_344
1 3 2 1 2 1 1 data_345
1 3 2 1 2 1 2 data_346
0 3 2 1 2 2 1 data_347
0 3 2 1 2 2 2 data_348
0 3 2 1 2 3 1 data_349
0 3 2 1 2 3 2 data_350
0 3 2 1 2 4 1 data_351
0 3 2 1 2 4 2 data_352
1 3 2 1 3 1 1 data_353
1 3 2 1 3 1 2 data_354
0 3 2 1 3 2 1 data_355
0 3 2 1 3 2 2 data_356
0 3 2 1 3 3 1 data_357
0 3 2 1 3 3 2 data_358
0 3 2 1 3 4 1 data_359
0 3 2 1 3 4 2 data_360
1 3 2 2 1 1 1 data_361
1 3 2 2 1 1 2 data_362
0 3 2 2 1 2 1 data_363
0 3 2 2 1 2 2 data_364
0 3 2 2 1 3 1 data_365
0 3 2 2 1 3 2 data_366
0 3 2 2 1 4 1 data_367
0 3 2 2 1 4 2 data_368
1 3 2 2 2 1 1 data_369
1 3 2 2 2 1 2 data_370
0 3 2 2 2 2 1 data_371
0 3 2 2 2 2 2 data_372
0 3 2 2 2 3 1 data_373
0 3 2 2 2 3 2 data_374
0 3 2 2 2 4 1 data_375
0 3 2 2 2 4 2 data_376
1 3 2 2 3 1 1 data_377
1 3 2 2 3 1 2 data_378
0 3 2 2 3 2 1 data_379
0 3 2 2 3 2 2 data_380
0 3 2 2 3 3 1 data_381
0 3 2 2 3 3 2 data_382
0 3 2 2 3 4 1 data_383
0 3 2 2 3 4 2 data_384
1 3 3 1 1 1 1 data_385
1 3 3 1 1 1 2 data_386
1 3 3 1 1 2 1 data_387
1 3 3 1 1 2 2 data_388
1 3 3 1 1 3 1 data_389
1 3 3 1 1 3 2 data_390
1 3 3 1 1 4 1 data_391
1 3 3 1 1 4 2 data_392
1 3 3 1 2 1 1 data_393
1 3 3 1 2 1 2 data_394
1 3 3 1 2 2 1 data_395
1 3 3 1 2 2 2 data_396
1 3 3 1 2 3 1 data_397
1 3 3 1 2 3 2 data_398
1 3 3 1 2 4 1 data_399
1 3 3 1 2 4 2 data_400
1 3 3 1 3 1 1 data_401
1 3 3 1 3 1 2 data_402
1 3 3 1 3 2 1 data_403
1 3 3 1 3 2 2 data_404
1 3 3 1 3 3 1 data_405
1 3 3 1 3 3 2 data_406
1 3 3 1 3 4 1 data_407
1 3 3 1 3 4 2 data_408
1 3 3 2 1 1 1 data_409
1 3 3 2 1 1 2 data_410
1 3 3 2 1 2 1 data_411
1 3 3 2 1 2 2 data_412
1 3 3 2 1 3 1 data_413
1 3 3 2 1 3 2 data_414
1 3 3 2 1 4 1 data_415
1 3 3 2 1 4 2 data_416
1 3 3 2 2 1 1 data_417
1 3 3 2 2 1 2 data_418
1 3 3 2 2 2 1 data_419
1 3 3 2 2 2 2 data_420
1 3 3 2 2 3 1 data_421
1 3 3 2 2 3 2 data_422
1 3 3 2 2 4 1 data_423
1 3 3 2 2 4 2 data_424
1 3 3 2 3 1 1 data_425
1 3 3 2 3 1 2 data_426
1 3 3 2 3 2 1 data_427
1 3 3 2 3 2 2 data_428
1 3 3 2 3 3 1 data_429
1 3 3 2 3 3 2 data_430
1 3 3 2 3 4 1 data_431
1 3 3 2 3 4 2 data_432

124
Code/datasets/monks-1.train Normal file
View file

@ -0,0 +1,124 @@
1 1 1 1 1 3 1 data_5
1 1 1 1 1 3 2 data_6
1 1 1 1 3 2 1 data_19
1 1 1 1 3 3 2 data_22
1 1 1 2 1 2 1 data_27
1 1 1 2 1 2 2 data_28
1 1 1 2 2 3 1 data_37
1 1 1 2 2 4 1 data_39
1 1 1 2 3 1 2 data_42
1 1 2 1 1 1 2 data_50
0 1 2 1 1 2 1 data_51
0 1 2 1 1 3 1 data_53
0 1 2 1 1 4 2 data_56
1 1 2 1 2 1 1 data_57
0 1 2 1 2 3 1 data_61
0 1 2 1 2 3 2 data_62
0 1 2 1 2 4 2 data_64
0 1 2 1 3 2 1 data_67
0 1 2 1 3 4 2 data_72
0 1 2 2 1 2 2 data_76
0 1 2 2 2 3 2 data_86
0 1 2 2 2 4 1 data_87
0 1 2 2 2 4 2 data_88
0 1 2 2 3 2 2 data_92
0 1 2 2 3 3 1 data_93
0 1 2 2 3 3 2 data_94
0 1 3 1 1 2 1 data_99
0 1 3 1 1 4 1 data_103
0 1 3 1 2 2 1 data_107
0 1 3 1 2 4 1 data_111
1 1 3 1 3 1 2 data_114
0 1 3 1 3 2 2 data_116
0 1 3 1 3 3 1 data_117
0 1 3 1 3 4 1 data_119
0 1 3 1 3 4 2 data_120
0 1 3 2 1 2 2 data_124
1 1 3 2 2 1 2 data_130
0 1 3 2 2 2 2 data_132
0 1 3 2 2 3 2 data_134
0 1 3 2 2 4 1 data_135
0 1 3 2 2 4 2 data_136
1 1 3 2 3 1 1 data_137
0 1 3 2 3 2 1 data_139
0 1 3 2 3 4 1 data_143
0 1 3 2 3 4 2 data_144
0 2 1 1 1 3 1 data_149
0 2 1 1 1 3 2 data_150
1 2 1 1 2 1 1 data_153
1 2 1 1 2 1 2 data_154
0 2 1 1 2 2 2 data_156
0 2 1 1 2 3 1 data_157
0 2 1 1 2 4 1 data_159
0 2 1 1 2 4 2 data_160
0 2 1 1 3 4 1 data_167
0 2 1 2 1 2 2 data_172
0 2 1 2 1 3 1 data_173
0 2 1 2 1 4 2 data_176
0 2 1 2 2 3 1 data_181
0 2 1 2 2 4 2 data_184
0 2 1 2 3 2 2 data_188
0 2 1 2 3 4 1 data_191
1 2 2 1 1 2 1 data_195
1 2 2 1 1 2 2 data_196
1 2 2 1 1 3 1 data_197
1 2 2 1 2 3 2 data_206
1 2 2 1 3 1 1 data_209
1 2 2 1 3 1 2 data_210
1 2 2 1 3 2 2 data_212
1 2 2 1 3 3 2 data_214
1 2 2 1 3 4 2 data_216
1 2 2 2 1 1 1 data_217
1 2 2 2 1 3 2 data_222
1 2 2 2 1 4 1 data_223
1 2 2 2 1 4 2 data_224
1 2 2 2 2 2 1 data_227
1 2 2 2 3 4 1 data_239
1 2 3 1 1 1 1 data_241
1 2 3 1 2 1 1 data_249
0 2 3 1 2 3 1 data_253
1 2 3 1 3 1 2 data_258
0 2 3 1 3 3 1 data_261
0 2 3 1 3 4 2 data_264
0 2 3 2 1 3 2 data_270
1 2 3 2 2 1 1 data_273
1 2 3 2 2 1 2 data_274
0 2 3 2 2 2 1 data_275
0 2 3 2 3 3 2 data_286
1 3 1 1 1 1 1 data_289
1 3 1 1 1 1 2 data_290
1 3 1 1 2 1 1 data_297
0 3 1 1 2 2 2 data_300
0 3 1 1 3 2 2 data_308
1 3 1 2 1 1 1 data_313
0 3 1 2 1 2 2 data_316
0 3 1 2 2 2 2 data_324
0 3 1 2 2 3 2 data_326
0 3 1 2 3 2 2 data_332
1 3 2 1 1 1 1 data_337
0 3 2 1 1 4 2 data_344
1 3 2 1 2 1 2 data_346
0 3 2 1 2 4 2 data_352
1 3 2 2 1 1 1 data_361
1 3 2 2 1 1 2 data_362
0 3 2 2 1 3 2 data_366
1 3 2 2 3 1 1 data_377
0 3 2 2 3 2 1 data_379
0 3 2 2 3 4 1 data_383
1 3 3 1 1 1 1 data_385
1 3 3 1 1 2 1 data_387
1 3 3 1 1 4 2 data_392
1 3 3 1 2 3 2 data_398
1 3 3 1 2 4 2 data_400
1 3 3 1 3 1 2 data_402
1 3 3 1 3 2 1 data_403
1 3 3 1 3 2 2 data_404
1 3 3 1 3 4 2 data_408
1 3 3 2 1 1 1 data_409
1 3 3 2 1 3 2 data_414
1 3 3 2 1 4 1 data_415
1 3 3 2 1 4 2 data_416
1 3 3 2 3 1 2 data_426
1 3 3 2 3 2 2 data_428
1 3 3 2 3 3 2 data_430
1 3 3 2 3 4 2 data_432

432
Code/datasets/monks-2.test Normal file
View file

@ -0,0 +1,432 @@
0 1 1 1 1 1 1 data_1
0 1 1 1 1 1 2 data_2
0 1 1 1 1 2 1 data_3
0 1 1 1 1 2 2 data_4
0 1 1 1 1 3 1 data_5
0 1 1 1 1 3 2 data_6
0 1 1 1 1 4 1 data_7
0 1 1 1 1 4 2 data_8
0 1 1 1 2 1 1 data_9
0 1 1 1 2 1 2 data_10
0 1 1 1 2 2 1 data_11
0 1 1 1 2 2 2 data_12
0 1 1 1 2 3 1 data_13
0 1 1 1 2 3 2 data_14
0 1 1 1 2 4 1 data_15
0 1 1 1 2 4 2 data_16
0 1 1 1 3 1 1 data_17
0 1 1 1 3 1 2 data_18
0 1 1 1 3 2 1 data_19
0 1 1 1 3 2 2 data_20
0 1 1 1 3 3 1 data_21
0 1 1 1 3 3 2 data_22
0 1 1 1 3 4 1 data_23
0 1 1 1 3 4 2 data_24
0 1 1 2 1 1 1 data_25
0 1 1 2 1 1 2 data_26
0 1 1 2 1 2 1 data_27
0 1 1 2 1 2 2 data_28
0 1 1 2 1 3 1 data_29
0 1 1 2 1 3 2 data_30
0 1 1 2 1 4 1 data_31
0 1 1 2 1 4 2 data_32
0 1 1 2 2 1 1 data_33
0 1 1 2 2 1 2 data_34
0 1 1 2 2 2 1 data_35
1 1 1 2 2 2 2 data_36
0 1 1 2 2 3 1 data_37
1 1 1 2 2 3 2 data_38
0 1 1 2 2 4 1 data_39
1 1 1 2 2 4 2 data_40
0 1 1 2 3 1 1 data_41
0 1 1 2 3 1 2 data_42
0 1 1 2 3 2 1 data_43
1 1 1 2 3 2 2 data_44
0 1 1 2 3 3 1 data_45
1 1 1 2 3 3 2 data_46
0 1 1 2 3 4 1 data_47
1 1 1 2 3 4 2 data_48
0 1 2 1 1 1 1 data_49
0 1 2 1 1 1 2 data_50
0 1 2 1 1 2 1 data_51
0 1 2 1 1 2 2 data_52
0 1 2 1 1 3 1 data_53
0 1 2 1 1 3 2 data_54
0 1 2 1 1 4 1 data_55
0 1 2 1 1 4 2 data_56
0 1 2 1 2 1 1 data_57
0 1 2 1 2 1 2 data_58
0 1 2 1 2 2 1 data_59
1 1 2 1 2 2 2 data_60
0 1 2 1 2 3 1 data_61
1 1 2 1 2 3 2 data_62
0 1 2 1 2 4 1 data_63
1 1 2 1 2 4 2 data_64
0 1 2 1 3 1 1 data_65
0 1 2 1 3 1 2 data_66
0 1 2 1 3 2 1 data_67
1 1 2 1 3 2 2 data_68
0 1 2 1 3 3 1 data_69
1 1 2 1 3 3 2 data_70
0 1 2 1 3 4 1 data_71
1 1 2 1 3 4 2 data_72
0 1 2 2 1 1 1 data_73
0 1 2 2 1 1 2 data_74
0 1 2 2 1 2 1 data_75
1 1 2 2 1 2 2 data_76
0 1 2 2 1 3 1 data_77
1 1 2 2 1 3 2 data_78
0 1 2 2 1 4 1 data_79
1 1 2 2 1 4 2 data_80
0 1 2 2 2 1 1 data_81
1 1 2 2 2 1 2 data_82
1 1 2 2 2 2 1 data_83
0 1 2 2 2 2 2 data_84
1 1 2 2 2 3 1 data_85
0 1 2 2 2 3 2 data_86
1 1 2 2 2 4 1 data_87
0 1 2 2 2 4 2 data_88
0 1 2 2 3 1 1 data_89
1 1 2 2 3 1 2 data_90
1 1 2 2 3 2 1 data_91
0 1 2 2 3 2 2 data_92
1 1 2 2 3 3 1 data_93
0 1 2 2 3 3 2 data_94
1 1 2 2 3 4 1 data_95
0 1 2 2 3 4 2 data_96
0 1 3 1 1 1 1 data_97
0 1 3 1 1 1 2 data_98
0 1 3 1 1 2 1 data_99
0 1 3 1 1 2 2 data_100
0 1 3 1 1 3 1 data_101
0 1 3 1 1 3 2 data_102
0 1 3 1 1 4 1 data_103
0 1 3 1 1 4 2 data_104
0 1 3 1 2 1 1 data_105
0 1 3 1 2 1 2 data_106
0 1 3 1 2 2 1 data_107
1 1 3 1 2 2 2 data_108
0 1 3 1 2 3 1 data_109
1 1 3 1 2 3 2 data_110
0 1 3 1 2 4 1 data_111
1 1 3 1 2 4 2 data_112
0 1 3 1 3 1 1 data_113
0 1 3 1 3 1 2 data_114
0 1 3 1 3 2 1 data_115
1 1 3 1 3 2 2 data_116
0 1 3 1 3 3 1 data_117
1 1 3 1 3 3 2 data_118
0 1 3 1 3 4 1 data_119
1 1 3 1 3 4 2 data_120
0 1 3 2 1 1 1 data_121
0 1 3 2 1 1 2 data_122
0 1 3 2 1 2 1 data_123
1 1 3 2 1 2 2 data_124
0 1 3 2 1 3 1 data_125
1 1 3 2 1 3 2 data_126
0 1 3 2 1 4 1 data_127
1 1 3 2 1 4 2 data_128
0 1 3 2 2 1 1 data_129
1 1 3 2 2 1 2 data_130
1 1 3 2 2 2 1 data_131
0 1 3 2 2 2 2 data_132
1 1 3 2 2 3 1 data_133
0 1 3 2 2 3 2 data_134
1 1 3 2 2 4 1 data_135
0 1 3 2 2 4 2 data_136
0 1 3 2 3 1 1 data_137
1 1 3 2 3 1 2 data_138
1 1 3 2 3 2 1 data_139
0 1 3 2 3 2 2 data_140
1 1 3 2 3 3 1 data_141
0 1 3 2 3 3 2 data_142
1 1 3 2 3 4 1 data_143
0 1 3 2 3 4 2 data_144
0 2 1 1 1 1 1 data_145
0 2 1 1 1 1 2 data_146
0 2 1 1 1 2 1 data_147
0 2 1 1 1 2 2 data_148
0 2 1 1 1 3 1 data_149
0 2 1 1 1 3 2 data_150
0 2 1 1 1 4 1 data_151
0 2 1 1 1 4 2 data_152
0 2 1 1 2 1 1 data_153
0 2 1 1 2 1 2 data_154
0 2 1 1 2 2 1 data_155
1 2 1 1 2 2 2 data_156
0 2 1 1 2 3 1 data_157
1 2 1 1 2 3 2 data_158
0 2 1 1 2 4 1 data_159
1 2 1 1 2 4 2 data_160
0 2 1 1 3 1 1 data_161
0 2 1 1 3 1 2 data_162
0 2 1 1 3 2 1 data_163
1 2 1 1 3 2 2 data_164
0 2 1 1 3 3 1 data_165
1 2 1 1 3 3 2 data_166
0 2 1 1 3 4 1 data_167
1 2 1 1 3 4 2 data_168
0 2 1 2 1 1 1 data_169
0 2 1 2 1 1 2 data_170
0 2 1 2 1 2 1 data_171
1 2 1 2 1 2 2 data_172
0 2 1 2 1 3 1 data_173
1 2 1 2 1 3 2 data_174
0 2 1 2 1 4 1 data_175
1 2 1 2 1 4 2 data_176
0 2 1 2 2 1 1 data_177
1 2 1 2 2 1 2 data_178
1 2 1 2 2 2 1 data_179
0 2 1 2 2 2 2 data_180
1 2 1 2 2 3 1 data_181
0 2 1 2 2 3 2 data_182
1 2 1 2 2 4 1 data_183
0 2 1 2 2 4 2 data_184
0 2 1 2 3 1 1 data_185
1 2 1 2 3 1 2 data_186
1 2 1 2 3 2 1 data_187
0 2 1 2 3 2 2 data_188
1 2 1 2 3 3 1 data_189
0 2 1 2 3 3 2 data_190
1 2 1 2 3 4 1 data_191
0 2 1 2 3 4 2 data_192
0 2 2 1 1 1 1 data_193
0 2 2 1 1 1 2 data_194
0 2 2 1 1 2 1 data_195
1 2 2 1 1 2 2 data_196
0 2 2 1 1 3 1 data_197
1 2 2 1 1 3 2 data_198
0 2 2 1 1 4 1 data_199
1 2 2 1 1 4 2 data_200
0 2 2 1 2 1 1 data_201
1 2 2 1 2 1 2 data_202
1 2 2 1 2 2 1 data_203
0 2 2 1 2 2 2 data_204
1 2 2 1 2 3 1 data_205
0 2 2 1 2 3 2 data_206
1 2 2 1 2 4 1 data_207
0 2 2 1 2 4 2 data_208
0 2 2 1 3 1 1 data_209
1 2 2 1 3 1 2 data_210
1 2 2 1 3 2 1 data_211
0 2 2 1 3 2 2 data_212
1 2 2 1 3 3 1 data_213
0 2 2 1 3 3 2 data_214
1 2 2 1 3 4 1 data_215
0 2 2 1 3 4 2 data_216
0 2 2 2 1 1 1 data_217
1 2 2 2 1 1 2 data_218
1 2 2 2 1 2 1 data_219
0 2 2 2 1 2 2 data_220
1 2 2 2 1 3 1 data_221
0 2 2 2 1 3 2 data_222
1 2 2 2 1 4 1 data_223
0 2 2 2 1 4 2 data_224
1 2 2 2 2 1 1 data_225
0 2 2 2 2 1 2 data_226
0 2 2 2 2 2 1 data_227
0 2 2 2 2 2 2 data_228
0 2 2 2 2 3 1 data_229
0 2 2 2 2 3 2 data_230
0 2 2 2 2 4 1 data_231
0 2 2 2 2 4 2 data_232
1 2 2 2 3 1 1 data_233
0 2 2 2 3 1 2 data_234
0 2 2 2 3 2 1 data_235
0 2 2 2 3 2 2 data_236
0 2 2 2 3 3 1 data_237
0 2 2 2 3 3 2 data_238
0 2 2 2 3 4 1 data_239
0 2 2 2 3 4 2 data_240
0 2 3 1 1 1 1 data_241
0 2 3 1 1 1 2 data_242
0 2 3 1 1 2 1 data_243
1 2 3 1 1 2 2 data_244
0 2 3 1 1 3 1 data_245
1 2 3 1 1 3 2 data_246
0 2 3 1 1 4 1 data_247
1 2 3 1 1 4 2 data_248
0 2 3 1 2 1 1 data_249
1 2 3 1 2 1 2 data_250
1 2 3 1 2 2 1 data_251
0 2 3 1 2 2 2 data_252
1 2 3 1 2 3 1 data_253
0 2 3 1 2 3 2 data_254
1 2 3 1 2 4 1 data_255
0 2 3 1 2 4 2 data_256
0 2 3 1 3 1 1 data_257
1 2 3 1 3 1 2 data_258
1 2 3 1 3 2 1 data_259
0 2 3 1 3 2 2 data_260
1 2 3 1 3 3 1 data_261
0 2 3 1 3 3 2 data_262
1 2 3 1 3 4 1 data_263
0 2 3 1 3 4 2 data_264
0 2 3 2 1 1 1 data_265
1 2 3 2 1 1 2 data_266
1 2 3 2 1 2 1 data_267
0 2 3 2 1 2 2 data_268
1 2 3 2 1 3 1 data_269
0 2 3 2 1 3 2 data_270
1 2 3 2 1 4 1 data_271
0 2 3 2 1 4 2 data_272
1 2 3 2 2 1 1 data_273
0 2 3 2 2 1 2 data_274
0 2 3 2 2 2 1 data_275
0 2 3 2 2 2 2 data_276
0 2 3 2 2 3 1 data_277
0 2 3 2 2 3 2 data_278
0 2 3 2 2 4 1 data_279
0 2 3 2 2 4 2 data_280
1 2 3 2 3 1 1 data_281
0 2 3 2 3 1 2 data_282
0 2 3 2 3 2 1 data_283
0 2 3 2 3 2 2 data_284
0 2 3 2 3 3 1 data_285
0 2 3 2 3 3 2 data_286
0 2 3 2 3 4 1 data_287
0 2 3 2 3 4 2 data_288
0 3 1 1 1 1 1 data_289
0 3 1 1 1 1 2 data_290
0 3 1 1 1 2 1 data_291
0 3 1 1 1 2 2 data_292
0 3 1 1 1 3 1 data_293
0 3 1 1 1 3 2 data_294
0 3 1 1 1 4 1 data_295
0 3 1 1 1 4 2 data_296
0 3 1 1 2 1 1 data_297
0 3 1 1 2 1 2 data_298
0 3 1 1 2 2 1 data_299
1 3 1 1 2 2 2 data_300
0 3 1 1 2 3 1 data_301
1 3 1 1 2 3 2 data_302
0 3 1 1 2 4 1 data_303
1 3 1 1 2 4 2 data_304
0 3 1 1 3 1 1 data_305
0 3 1 1 3 1 2 data_306
0 3 1 1 3 2 1 data_307
1 3 1 1 3 2 2 data_308
0 3 1 1 3 3 1 data_309
1 3 1 1 3 3 2 data_310
0 3 1 1 3 4 1 data_311
1 3 1 1 3 4 2 data_312
0 3 1 2 1 1 1 data_313
0 3 1 2 1 1 2 data_314
0 3 1 2 1 2 1 data_315
1 3 1 2 1 2 2 data_316
0 3 1 2 1 3 1 data_317
1 3 1 2 1 3 2 data_318
0 3 1 2 1 4 1 data_319
1 3 1 2 1 4 2 data_320
0 3 1 2 2 1 1 data_321
1 3 1 2 2 1 2 data_322
1 3 1 2 2 2 1 data_323
0 3 1 2 2 2 2 data_324
1 3 1 2 2 3 1 data_325
0 3 1 2 2 3 2 data_326
1 3 1 2 2 4 1 data_327
0 3 1 2 2 4 2 data_328
0 3 1 2 3 1 1 data_329
1 3 1 2 3 1 2 data_330
1 3 1 2 3 2 1 data_331
0 3 1 2 3 2 2 data_332
1 3 1 2 3 3 1 data_333
0 3 1 2 3 3 2 data_334
1 3 1 2 3 4 1 data_335
0 3 1 2 3 4 2 data_336
0 3 2 1 1 1 1 data_337
0 3 2 1 1 1 2 data_338
0 3 2 1 1 2 1 data_339
1 3 2 1 1 2 2 data_340
0 3 2 1 1 3 1 data_341
1 3 2 1 1 3 2 data_342
0 3 2 1 1 4 1 data_343
1 3 2 1 1 4 2 data_344
0 3 2 1 2 1 1 data_345
1 3 2 1 2 1 2 data_346
1 3 2 1 2 2 1 data_347
0 3 2 1 2 2 2 data_348
1 3 2 1 2 3 1 data_349
0 3 2 1 2 3 2 data_350
1 3 2 1 2 4 1 data_351
0 3 2 1 2 4 2 data_352
0 3 2 1 3 1 1 data_353
1 3 2 1 3 1 2 data_354
1 3 2 1 3 2 1 data_355
0 3 2 1 3 2 2 data_356
1 3 2 1 3 3 1 data_357
0 3 2 1 3 3 2 data_358
1 3 2 1 3 4 1 data_359
0 3 2 1 3 4 2 data_360
0 3 2 2 1 1 1 data_361
1 3 2 2 1 1 2 data_362
1 3 2 2 1 2 1 data_363
0 3 2 2 1 2 2 data_364
1 3 2 2 1 3 1 data_365
0 3 2 2 1 3 2 data_366
1 3 2 2 1 4 1 data_367
0 3 2 2 1 4 2 data_368
1 3 2 2 2 1 1 data_369
0 3 2 2 2 1 2 data_370
0 3 2 2 2 2 1 data_371
0 3 2 2 2 2 2 data_372
0 3 2 2 2 3 1 data_373
0 3 2 2 2 3 2 data_374
0 3 2 2 2 4 1 data_375
0 3 2 2 2 4 2 data_376
1 3 2 2 3 1 1 data_377
0 3 2 2 3 1 2 data_378
0 3 2 2 3 2 1 data_379
0 3 2 2 3 2 2 data_380
0 3 2 2 3 3 1 data_381
0 3 2 2 3 3 2 data_382
0 3 2 2 3 4 1 data_383
0 3 2 2 3 4 2 data_384
0 3 3 1 1 1 1 data_385
0 3 3 1 1 1 2 data_386
0 3 3 1 1 2 1 data_387
1 3 3 1 1 2 2 data_388
0 3 3 1 1 3 1 data_389
1 3 3 1 1 3 2 data_390
0 3 3 1 1 4 1 data_391
1 3 3 1 1 4 2 data_392
0 3 3 1 2 1 1 data_393
1 3 3 1 2 1 2 data_394
1 3 3 1 2 2 1 data_395
0 3 3 1 2 2 2 data_396
1 3 3 1 2 3 1 data_397
0 3 3 1 2 3 2 data_398
1 3 3 1 2 4 1 data_399
0 3 3 1 2 4 2 data_400
0 3 3 1 3 1 1 data_401
1 3 3 1 3 1 2 data_402
1 3 3 1 3 2 1 data_403
0 3 3 1 3 2 2 data_404
1 3 3 1 3 3 1 data_405
0 3 3 1 3 3 2 data_406
1 3 3 1 3 4 1 data_407
0 3 3 1 3 4 2 data_408
0 3 3 2 1 1 1 data_409
1 3 3 2 1 1 2 data_410
1 3 3 2 1 2 1 data_411
0 3 3 2 1 2 2 data_412
1 3 3 2 1 3 1 data_413
0 3 3 2 1 3 2 data_414
1 3 3 2 1 4 1 data_415
0 3 3 2 1 4 2 data_416
1 3 3 2 2 1 1 data_417
0 3 3 2 2 1 2 data_418
0 3 3 2 2 2 1 data_419
0 3 3 2 2 2 2 data_420
0 3 3 2 2 3 1 data_421
0 3 3 2 2 3 2 data_422
0 3 3 2 2 4 1 data_423
0 3 3 2 2 4 2 data_424
1 3 3 2 3 1 1 data_425
0 3 3 2 3 1 2 data_426
0 3 3 2 3 2 1 data_427
0 3 3 2 3 2 2 data_428
0 3 3 2 3 3 1 data_429
0 3 3 2 3 3 2 data_430
0 3 3 2 3 4 1 data_431
0 3 3 2 3 4 2 data_432

169
Code/datasets/monks-2.train Normal file
View file

@ -0,0 +1,169 @@
0 1 1 1 1 2 2 data_4
0 1 1 1 1 4 1 data_7
0 1 1 1 2 1 1 data_9
0 1 1 1 2 1 2 data_10
0 1 1 1 2 2 1 data_11
0 1 1 1 2 3 1 data_13
0 1 1 1 2 4 1 data_15
0 1 1 1 3 2 1 data_19
0 1 1 1 3 4 1 data_23
0 1 1 2 1 1 1 data_25
0 1 1 2 1 1 2 data_26
0 1 1 2 2 3 1 data_37
0 1 1 2 2 4 1 data_39
1 1 1 2 2 4 2 data_40
0 1 1 2 3 1 2 data_42
1 1 1 2 3 2 2 data_44
0 1 2 1 1 1 2 data_50
0 1 2 1 2 1 2 data_58
1 1 2 1 2 2 2 data_60
0 1 2 1 2 3 1 data_61
1 1 2 1 2 3 2 data_62
0 1 2 1 2 4 1 data_63
0 1 2 1 3 1 1 data_65
0 1 2 1 3 1 2 data_66
1 1 2 1 3 2 2 data_68
0 1 2 1 3 3 1 data_69
1 1 2 1 3 3 2 data_70
0 1 2 1 3 4 1 data_71
1 1 2 1 3 4 2 data_72
0 1 2 2 1 2 1 data_75
0 1 2 2 1 4 1 data_79
1 1 2 2 2 3 1 data_85
1 1 2 2 2 4 1 data_87
0 1 2 2 3 1 1 data_89
1 1 2 2 3 1 2 data_90
1 1 2 2 3 3 1 data_93
0 1 2 2 3 3 2 data_94
1 1 2 2 3 4 1 data_95
0 1 2 2 3 4 2 data_96
0 1 3 1 1 1 2 data_98
0 1 3 1 1 2 2 data_100
0 1 3 1 1 3 1 data_101
0 1 3 1 1 3 2 data_102
0 1 3 1 2 2 1 data_107
1 1 3 1 2 2 2 data_108
1 1 3 1 2 3 2 data_110
0 1 3 1 2 4 1 data_111
1 1 3 1 3 2 2 data_116
0 1 3 1 3 3 1 data_117
1 1 3 1 3 4 2 data_120
0 1 3 2 1 3 1 data_125
1 1 3 2 1 3 2 data_126
0 1 3 2 1 4 1 data_127
1 1 3 2 2 1 2 data_130
0 1 3 2 2 3 2 data_134
0 1 3 2 2 4 2 data_136
1 1 3 2 3 2 1 data_139
0 2 1 1 1 1 1 data_145
0 2 1 1 1 2 2 data_148
0 2 1 1 1 3 1 data_149
1 2 1 1 2 2 2 data_156
0 2 1 1 3 1 2 data_162
1 2 1 1 3 2 2 data_164
1 2 1 1 3 3 2 data_166
0 2 1 1 3 4 1 data_167
0 2 1 2 1 1 1 data_169
1 2 1 2 1 2 2 data_172
0 2 1 2 1 4 1 data_175
1 2 1 2 2 2 1 data_179
0 2 1 2 2 4 2 data_184
0 2 1 2 3 1 1 data_185
1 2 1 2 3 1 2 data_186
0 2 1 2 3 2 2 data_188
0 2 1 2 3 3 2 data_190
0 2 1 2 3 4 2 data_192
0 2 2 1 1 3 1 data_197
1 2 2 1 1 4 2 data_200
0 2 2 1 2 1 1 data_201
1 2 2 1 2 3 1 data_205
1 2 2 1 3 3 1 data_213
0 2 2 1 3 3 2 data_214
1 2 2 1 3 4 1 data_215
0 2 2 2 1 1 1 data_217
0 2 2 2 1 2 2 data_220
0 2 2 2 1 3 2 data_222
1 2 2 2 1 4 1 data_223
0 2 2 2 1 4 2 data_224
1 2 2 2 2 1 1 data_225
0 2 2 2 2 2 2 data_228
0 2 2 2 2 3 1 data_229
1 2 2 2 3 1 1 data_233
0 2 2 2 3 2 1 data_235
0 2 2 2 3 2 2 data_236
0 2 2 2 3 4 2 data_240
0 2 3 1 1 1 1 data_241
0 2 3 1 1 1 2 data_242
1 2 3 1 1 3 2 data_246
0 2 3 1 2 1 1 data_249
1 2 3 1 2 3 1 data_253
0 2 3 1 2 3 2 data_254
0 2 3 1 2 4 2 data_256
1 2 3 1 3 1 2 data_258
1 2 3 1 3 2 1 data_259
1 2 3 1 3 4 1 data_263
1 2 3 2 1 1 2 data_266
1 2 3 2 1 2 1 data_267
1 2 3 2 1 3 1 data_269
0 2 3 2 1 4 2 data_272
1 2 3 2 2 1 1 data_273
0 2 3 2 2 2 1 data_275
0 2 3 2 2 3 2 data_278
0 2 3 2 3 3 1 data_285
0 2 3 2 3 3 2 data_286
0 2 3 2 3 4 2 data_288
0 3 1 1 1 4 1 data_295
0 3 1 1 2 1 2 data_298
1 3 1 1 2 2 2 data_300
1 3 1 1 2 3 2 data_302
0 3 1 1 2 4 1 data_303
1 3 1 1 2 4 2 data_304
0 3 1 1 3 1 1 data_305
0 3 1 1 3 1 2 data_306
1 3 1 1 3 2 2 data_308
1 3 1 1 3 3 2 data_310
0 3 1 2 1 1 1 data_313
1 3 1 2 1 2 2 data_316
0 3 1 2 1 3 1 data_317
1 3 1 2 1 3 2 data_318
0 3 1 2 1 4 1 data_319
1 3 1 2 1 4 2 data_320
1 3 1 2 2 2 1 data_323
1 3 1 2 3 1 2 data_330
1 3 1 2 3 2 1 data_331
0 3 1 2 3 2 2 data_332
0 3 1 2 3 4 2 data_336
0 3 2 1 1 1 2 data_338
1 3 2 1 1 2 2 data_340
0 3 2 1 1 3 1 data_341
1 3 2 1 1 3 2 data_342
1 3 2 1 2 1 2 data_346
1 3 2 1 2 2 1 data_347
0 3 2 1 3 1 1 data_353
1 3 2 1 3 2 1 data_355
1 3 2 1 3 3 1 data_357
0 3 2 1 3 3 2 data_358
0 3 2 2 1 1 1 data_361
0 3 2 2 1 2 2 data_364
1 3 2 2 1 3 1 data_365
0 3 2 2 1 3 2 data_366
1 3 2 2 2 1 1 data_369
0 3 2 2 2 2 1 data_371
0 3 2 2 2 2 2 data_372
0 3 2 2 2 3 2 data_374
1 3 2 2 3 1 1 data_377
0 3 2 2 3 3 2 data_382
0 3 2 2 3 4 2 data_384
0 3 3 1 1 1 1 data_385
0 3 3 1 1 2 1 data_387
0 3 3 1 1 3 1 data_389
1 3 3 1 1 3 2 data_390
0 3 3 1 2 3 2 data_398
0 3 3 2 1 1 1 data_409
1 3 3 2 2 1 1 data_417
0 3 3 2 2 2 1 data_419
0 3 3 2 2 3 1 data_421
0 3 3 2 2 3 2 data_422
1 3 3 2 3 1 1 data_425
0 3 3 2 3 2 1 data_427
0 3 3 2 3 4 2 data_432

432
Code/datasets/monks-3.test Normal file
View file

@ -0,0 +1,432 @@
1 1 1 1 1 1 1 data_1
1 1 1 1 1 1 2 data_2
1 1 1 1 1 2 1 data_3
1 1 1 1 1 2 2 data_4
1 1 1 1 1 3 1 data_5
1 1 1 1 1 3 2 data_6
0 1 1 1 1 4 1 data_7
0 1 1 1 1 4 2 data_8
1 1 1 1 2 1 1 data_9
1 1 1 1 2 1 2 data_10
1 1 1 1 2 2 1 data_11
1 1 1 1 2 2 2 data_12
1 1 1 1 2 3 1 data_13
1 1 1 1 2 3 2 data_14
0 1 1 1 2 4 1 data_15
0 1 1 1 2 4 2 data_16
1 1 1 1 3 1 1 data_17
1 1 1 1 3 1 2 data_18
1 1 1 1 3 2 1 data_19
1 1 1 1 3 2 2 data_20
1 1 1 1 3 3 1 data_21
1 1 1 1 3 3 2 data_22
0 1 1 1 3 4 1 data_23
0 1 1 1 3 4 2 data_24
1 1 1 2 1 1 1 data_25
1 1 1 2 1 1 2 data_26
1 1 1 2 1 2 1 data_27
1 1 1 2 1 2 2 data_28
1 1 1 2 1 3 1 data_29
1 1 1 2 1 3 2 data_30
0 1 1 2 1 4 1 data_31
0 1 1 2 1 4 2 data_32
1 1 1 2 2 1 1 data_33
1 1 1 2 2 1 2 data_34
1 1 1 2 2 2 1 data_35
1 1 1 2 2 2 2 data_36
1 1 1 2 2 3 1 data_37
1 1 1 2 2 3 2 data_38
0 1 1 2 2 4 1 data_39
0 1 1 2 2 4 2 data_40
1 1 1 2 3 1 1 data_41
1 1 1 2 3 1 2 data_42
1 1 1 2 3 2 1 data_43
1 1 1 2 3 2 2 data_44
1 1 1 2 3 3 1 data_45
1 1 1 2 3 3 2 data_46
0 1 1 2 3 4 1 data_47
0 1 1 2 3 4 2 data_48
1 1 2 1 1 1 1 data_49
1 1 2 1 1 1 2 data_50
1 1 2 1 1 2 1 data_51
1 1 2 1 1 2 2 data_52
1 1 2 1 1 3 1 data_53
1 1 2 1 1 3 2 data_54
0 1 2 1 1 4 1 data_55
0 1 2 1 1 4 2 data_56
1 1 2 1 2 1 1 data_57
1 1 2 1 2 1 2 data_58
1 1 2 1 2 2 1 data_59
1 1 2 1 2 2 2 data_60
1 1 2 1 2 3 1 data_61
1 1 2 1 2 3 2 data_62
0 1 2 1 2 4 1 data_63
0 1 2 1 2 4 2 data_64
1 1 2 1 3 1 1 data_65
1 1 2 1 3 1 2 data_66
1 1 2 1 3 2 1 data_67
1 1 2 1 3 2 2 data_68
1 1 2 1 3 3 1 data_69
1 1 2 1 3 3 2 data_70
0 1 2 1 3 4 1 data_71
0 1 2 1 3 4 2 data_72
1 1 2 2 1 1 1 data_73
1 1 2 2 1 1 2 data_74
1 1 2 2 1 2 1 data_75
1 1 2 2 1 2 2 data_76
1 1 2 2 1 3 1 data_77
1 1 2 2 1 3 2 data_78
0 1 2 2 1 4 1 data_79
0 1 2 2 1 4 2 data_80
1 1 2 2 2 1 1 data_81
1 1 2 2 2 1 2 data_82
1 1 2 2 2 2 1 data_83
1 1 2 2 2 2 2 data_84
1 1 2 2 2 3 1 data_85
1 1 2 2 2 3 2 data_86
0 1 2 2 2 4 1 data_87
0 1 2 2 2 4 2 data_88
1 1 2 2 3 1 1 data_89
1 1 2 2 3 1 2 data_90
1 1 2 2 3 2 1 data_91
1 1 2 2 3 2 2 data_92
1 1 2 2 3 3 1 data_93
1 1 2 2 3 3 2 data_94
0 1 2 2 3 4 1 data_95
0 1 2 2 3 4 2 data_96
0 1 3 1 1 1 1 data_97
0 1 3 1 1 1 2 data_98
0 1 3 1 1 2 1 data_99
0 1 3 1 1 2 2 data_100
1 1 3 1 1 3 1 data_101
1 1 3 1 1 3 2 data_102
0 1 3 1 1 4 1 data_103
0 1 3 1 1 4 2 data_104
0 1 3 1 2 1 1 data_105
0 1 3 1 2 1 2 data_106
0 1 3 1 2 2 1 data_107
0 1 3 1 2 2 2 data_108
0 1 3 1 2 3 1 data_109
0 1 3 1 2 3 2 data_110
0 1 3 1 2 4 1 data_111
0 1 3 1 2 4 2 data_112
0 1 3 1 3 1 1 data_113
0 1 3 1 3 1 2 data_114
0 1 3 1 3 2 1 data_115
0 1 3 1 3 2 2 data_116
0 1 3 1 3 3 1 data_117
0 1 3 1 3 3 2 data_118
0 1 3 1 3 4 1 data_119
0 1 3 1 3 4 2 data_120
0 1 3 2 1 1 1 data_121
0 1 3 2 1 1 2 data_122
0 1 3 2 1 2 1 data_123
0 1 3 2 1 2 2 data_124
1 1 3 2 1 3 1 data_125
1 1 3 2 1 3 2 data_126
0 1 3 2 1 4 1 data_127
0 1 3 2 1 4 2 data_128
0 1 3 2 2 1 1 data_129
0 1 3 2 2 1 2 data_130
0 1 3 2 2 2 1 data_131
0 1 3 2 2 2 2 data_132
0 1 3 2 2 3 1 data_133
0 1 3 2 2 3 2 data_134
0 1 3 2 2 4 1 data_135
0 1 3 2 2 4 2 data_136
0 1 3 2 3 1 1 data_137
0 1 3 2 3 1 2 data_138
0 1 3 2 3 2 1 data_139
0 1 3 2 3 2 2 data_140
0 1 3 2 3 3 1 data_141
0 1 3 2 3 3 2 data_142
0 1 3 2 3 4 1 data_143
0 1 3 2 3 4 2 data_144
1 2 1 1 1 1 1 data_145
1 2 1 1 1 1 2 data_146
1 2 1 1 1 2 1 data_147
1 2 1 1 1 2 2 data_148
1 2 1 1 1 3 1 data_149
1 2 1 1 1 3 2 data_150
0 2 1 1 1 4 1 data_151
0 2 1 1 1 4 2 data_152
1 2 1 1 2 1 1 data_153
1 2 1 1 2 1 2 data_154
1 2 1 1 2 2 1 data_155
1 2 1 1 2 2 2 data_156
1 2 1 1 2 3 1 data_157
1 2 1 1 2 3 2 data_158
0 2 1 1 2 4 1 data_159
0 2 1 1 2 4 2 data_160
1 2 1 1 3 1 1 data_161
1 2 1 1 3 1 2 data_162
1 2 1 1 3 2 1 data_163
1 2 1 1 3 2 2 data_164
1 2 1 1 3 3 1 data_165
1 2 1 1 3 3 2 data_166
0 2 1 1 3 4 1 data_167
0 2 1 1 3 4 2 data_168
1 2 1 2 1 1 1 data_169
1 2 1 2 1 1 2 data_170
1 2 1 2 1 2 1 data_171
1 2 1 2 1 2 2 data_172
1 2 1 2 1 3 1 data_173
1 2 1 2 1 3 2 data_174
0 2 1 2 1 4 1 data_175
0 2 1 2 1 4 2 data_176
1 2 1 2 2 1 1 data_177
1 2 1 2 2 1 2 data_178
1 2 1 2 2 2 1 data_179
1 2 1 2 2 2 2 data_180
1 2 1 2 2 3 1 data_181
1 2 1 2 2 3 2 data_182
0 2 1 2 2 4 1 data_183
0 2 1 2 2 4 2 data_184
1 2 1 2 3 1 1 data_185
1 2 1 2 3 1 2 data_186
1 2 1 2 3 2 1 data_187
1 2 1 2 3 2 2 data_188
1 2 1 2 3 3 1 data_189
1 2 1 2 3 3 2 data_190
0 2 1 2 3 4 1 data_191
0 2 1 2 3 4 2 data_192
1 2 2 1 1 1 1 data_193
1 2 2 1 1 1 2 data_194
1 2 2 1 1 2 1 data_195
1 2 2 1 1 2 2 data_196
1 2 2 1 1 3 1 data_197
1 2 2 1 1 3 2 data_198
0 2 2 1 1 4 1 data_199
0 2 2 1 1 4 2 data_200
1 2 2 1 2 1 1 data_201
1 2 2 1 2 1 2 data_202
1 2 2 1 2 2 1 data_203
1 2 2 1 2 2 2 data_204
1 2 2 1 2 3 1 data_205
1 2 2 1 2 3 2 data_206
0 2 2 1 2 4 1 data_207
0 2 2 1 2 4 2 data_208
1 2 2 1 3 1 1 data_209
1 2 2 1 3 1 2 data_210
1 2 2 1 3 2 1 data_211
1 2 2 1 3 2 2 data_212
1 2 2 1 3 3 1 data_213
1 2 2 1 3 3 2 data_214
0 2 2 1 3 4 1 data_215
0 2 2 1 3 4 2 data_216
1 2 2 2 1 1 1 data_217
1 2 2 2 1 1 2 data_218
1 2 2 2 1 2 1 data_219
1 2 2 2 1 2 2 data_220
1 2 2 2 1 3 1 data_221
1 2 2 2 1 3 2 data_222
0 2 2 2 1 4 1 data_223
0 2 2 2 1 4 2 data_224
1 2 2 2 2 1 1 data_225
1 2 2 2 2 1 2 data_226
1 2 2 2 2 2 1 data_227
1 2 2 2 2 2 2 data_228
1 2 2 2 2 3 1 data_229
1 2 2 2 2 3 2 data_230
0 2 2 2 2 4 1 data_231
0 2 2 2 2 4 2 data_232
1 2 2 2 3 1 1 data_233
1 2 2 2 3 1 2 data_234
1 2 2 2 3 2 1 data_235
1 2 2 2 3 2 2 data_236
1 2 2 2 3 3 1 data_237
1 2 2 2 3 3 2 data_238
0 2 2 2 3 4 1 data_239
0 2 2 2 3 4 2 data_240
0 2 3 1 1 1 1 data_241
0 2 3 1 1 1 2 data_242
0 2 3 1 1 2 1 data_243
0 2 3 1 1 2 2 data_244
1 2 3 1 1 3 1 data_245
1 2 3 1 1 3 2 data_246
0 2 3 1 1 4 1 data_247
0 2 3 1 1 4 2 data_248
0 2 3 1 2 1 1 data_249
0 2 3 1 2 1 2 data_250
0 2 3 1 2 2 1 data_251
0 2 3 1 2 2 2 data_252
0 2 3 1 2 3 1 data_253
0 2 3 1 2 3 2 data_254
0 2 3 1 2 4 1 data_255
0 2 3 1 2 4 2 data_256
0 2 3 1 3 1 1 data_257
0 2 3 1 3 1 2 data_258
0 2 3 1 3 2 1 data_259
0 2 3 1 3 2 2 data_260
0 2 3 1 3 3 1 data_261
0 2 3 1 3 3 2 data_262
0 2 3 1 3 4 1 data_263
0 2 3 1 3 4 2 data_264
0 2 3 2 1 1 1 data_265
0 2 3 2 1 1 2 data_266
0 2 3 2 1 2 1 data_267
0 2 3 2 1 2 2 data_268
1 2 3 2 1 3 1 data_269
1 2 3 2 1 3 2 data_270
0 2 3 2 1 4 1 data_271
0 2 3 2 1 4 2 data_272
0 2 3 2 2 1 1 data_273
0 2 3 2 2 1 2 data_274
0 2 3 2 2 2 1 data_275
0 2 3 2 2 2 2 data_276
0 2 3 2 2 3 1 data_277
0 2 3 2 2 3 2 data_278
0 2 3 2 2 4 1 data_279
0 2 3 2 2 4 2 data_280
0 2 3 2 3 1 1 data_281
0 2 3 2 3 1 2 data_282
0 2 3 2 3 2 1 data_283
0 2 3 2 3 2 2 data_284
0 2 3 2 3 3 1 data_285
0 2 3 2 3 3 2 data_286
0 2 3 2 3 4 1 data_287
0 2 3 2 3 4 2 data_288
1 3 1 1 1 1 1 data_289
1 3 1 1 1 1 2 data_290
1 3 1 1 1 2 1 data_291
1 3 1 1 1 2 2 data_292
1 3 1 1 1 3 1 data_293
1 3 1 1 1 3 2 data_294
0 3 1 1 1 4 1 data_295
0 3 1 1 1 4 2 data_296
1 3 1 1 2 1 1 data_297
1 3 1 1 2 1 2 data_298
1 3 1 1 2 2 1 data_299
1 3 1 1 2 2 2 data_300
1 3 1 1 2 3 1 data_301
1 3 1 1 2 3 2 data_302
0 3 1 1 2 4 1 data_303
0 3 1 1 2 4 2 data_304
1 3 1 1 3 1 1 data_305
1 3 1 1 3 1 2 data_306
1 3 1 1 3 2 1 data_307
1 3 1 1 3 2 2 data_308
1 3 1 1 3 3 1 data_309
1 3 1 1 3 3 2 data_310
0 3 1 1 3 4 1 data_311
0 3 1 1 3 4 2 data_312
1 3 1 2 1 1 1 data_313
1 3 1 2 1 1 2 data_314
1 3 1 2 1 2 1 data_315
1 3 1 2 1 2 2 data_316
1 3 1 2 1 3 1 data_317
1 3 1 2 1 3 2 data_318
0 3 1 2 1 4 1 data_319
0 3 1 2 1 4 2 data_320
1 3 1 2 2 1 1 data_321
1 3 1 2 2 1 2 data_322
1 3 1 2 2 2 1 data_323
1 3 1 2 2 2 2 data_324
1 3 1 2 2 3 1 data_325
1 3 1 2 2 3 2 data_326
0 3 1 2 2 4 1 data_327
0 3 1 2 2 4 2 data_328
1 3 1 2 3 1 1 data_329
1 3 1 2 3 1 2 data_330
1 3 1 2 3 2 1 data_331
1 3 1 2 3 2 2 data_332
1 3 1 2 3 3 1 data_333
1 3 1 2 3 3 2 data_334
0 3 1 2 3 4 1 data_335
0 3 1 2 3 4 2 data_336
1 3 2 1 1 1 1 data_337
1 3 2 1 1 1 2 data_338
1 3 2 1 1 2 1 data_339
1 3 2 1 1 2 2 data_340
1 3 2 1 1 3 1 data_341
1 3 2 1 1 3 2 data_342
0 3 2 1 1 4 1 data_343
0 3 2 1 1 4 2 data_344
1 3 2 1 2 1 1 data_345
1 3 2 1 2 1 2 data_346
1 3 2 1 2 2 1 data_347
1 3 2 1 2 2 2 data_348
1 3 2 1 2 3 1 data_349
1 3 2 1 2 3 2 data_350
0 3 2 1 2 4 1 data_351
0 3 2 1 2 4 2 data_352
1 3 2 1 3 1 1 data_353
1 3 2 1 3 1 2 data_354
1 3 2 1 3 2 1 data_355
1 3 2 1 3 2 2 data_356
1 3 2 1 3 3 1 data_357
1 3 2 1 3 3 2 data_358
0 3 2 1 3 4 1 data_359
0 3 2 1 3 4 2 data_360
1 3 2 2 1 1 1 data_361
1 3 2 2 1 1 2 data_362
1 3 2 2 1 2 1 data_363
1 3 2 2 1 2 2 data_364
1 3 2 2 1 3 1 data_365
1 3 2 2 1 3 2 data_366
0 3 2 2 1 4 1 data_367
0 3 2 2 1 4 2 data_368
1 3 2 2 2 1 1 data_369
1 3 2 2 2 1 2 data_370
1 3 2 2 2 2 1 data_371
1 3 2 2 2 2 2 data_372
1 3 2 2 2 3 1 data_373
1 3 2 2 2 3 2 data_374
0 3 2 2 2 4 1 data_375
0 3 2 2 2 4 2 data_376
1 3 2 2 3 1 1 data_377
1 3 2 2 3 1 2 data_378
1 3 2 2 3 2 1 data_379
1 3 2 2 3 2 2 data_380
1 3 2 2 3 3 1 data_381
1 3 2 2 3 3 2 data_382
0 3 2 2 3 4 1 data_383
0 3 2 2 3 4 2 data_384
0 3 3 1 1 1 1 data_385
0 3 3 1 1 1 2 data_386
0 3 3 1 1 2 1 data_387
0 3 3 1 1 2 2 data_388
1 3 3 1 1 3 1 data_389
1 3 3 1 1 3 2 data_390
0 3 3 1 1 4 1 data_391
0 3 3 1 1 4 2 data_392
0 3 3 1 2 1 1 data_393
0 3 3 1 2 1 2 data_394
0 3 3 1 2 2 1 data_395
0 3 3 1 2 2 2 data_396
0 3 3 1 2 3 1 data_397
0 3 3 1 2 3 2 data_398
0 3 3 1 2 4 1 data_399
0 3 3 1 2 4 2 data_400
0 3 3 1 3 1 1 data_401
0 3 3 1 3 1 2 data_402
0 3 3 1 3 2 1 data_403
0 3 3 1 3 2 2 data_404
0 3 3 1 3 3 1 data_405
0 3 3 1 3 3 2 data_406
0 3 3 1 3 4 1 data_407
0 3 3 1 3 4 2 data_408
0 3 3 2 1 1 1 data_409
0 3 3 2 1 1 2 data_410
0 3 3 2 1 2 1 data_411
0 3 3 2 1 2 2 data_412
1 3 3 2 1 3 1 data_413
1 3 3 2 1 3 2 data_414
0 3 3 2 1 4 1 data_415
0 3 3 2 1 4 2 data_416
0 3 3 2 2 1 1 data_417
0 3 3 2 2 1 2 data_418
0 3 3 2 2 2 1 data_419
0 3 3 2 2 2 2 data_420
0 3 3 2 2 3 1 data_421
0 3 3 2 2 3 2 data_422
0 3 3 2 2 4 1 data_423
0 3 3 2 2 4 2 data_424
0 3 3 2 3 1 1 data_425
0 3 3 2 3 1 2 data_426
0 3 3 2 3 2 1 data_427
0 3 3 2 3 2 2 data_428
0 3 3 2 3 3 1 data_429
0 3 3 2 3 3 2 data_430
0 3 3 2 3 4 1 data_431
0 3 3 2 3 4 2 data_432

122
Code/datasets/monks-3.train Normal file
View file

@ -0,0 +1,122 @@
1 1 1 1 1 1 2 data_2
1 1 1 1 1 2 1 data_3
1 1 1 1 1 2 2 data_4
0 1 1 1 1 3 1 data_5
0 1 1 1 1 4 1 data_7
1 1 1 1 2 1 1 data_9
1 1 1 1 2 2 2 data_12
0 1 1 1 2 4 2 data_16
1 1 1 2 1 2 2 data_28
0 1 1 2 1 4 2 data_32
1 1 1 2 2 2 2 data_36
0 1 1 2 2 4 1 data_39
0 1 1 2 2 4 2 data_40
1 1 1 2 3 1 1 data_41
1 1 1 2 3 1 2 data_42
1 1 1 2 3 3 1 data_45
1 1 1 2 3 3 2 data_46
1 1 2 1 1 3 1 data_53
1 1 2 1 2 2 1 data_59
1 1 2 1 2 2 2 data_60
0 1 2 1 2 3 1 data_61
1 1 2 1 3 1 1 data_65
1 1 2 1 3 1 2 data_66
1 1 2 1 3 2 1 data_67
1 1 2 1 3 2 2 data_68
1 1 2 1 3 3 2 data_70
0 1 2 1 3 4 1 data_71
1 1 2 2 1 3 1 data_77
0 1 2 2 1 4 2 data_80
1 1 2 2 2 1 1 data_81
1 1 2 2 2 2 1 data_83
1 1 2 2 2 2 2 data_84
1 1 2 2 3 1 1 data_89
1 1 2 2 3 2 1 data_91
1 1 2 2 3 2 2 data_92
0 1 3 1 1 2 1 data_99
0 1 3 1 1 4 1 data_103
0 1 3 1 2 3 2 data_110
0 1 3 1 2 4 1 data_111
0 1 3 1 3 1 1 data_113
0 1 3 1 3 3 1 data_117
0 1 3 2 1 1 1 data_121
0 1 3 2 1 1 2 data_122
0 1 3 2 1 2 1 data_123
0 1 3 2 1 4 2 data_128
0 1 3 2 2 3 2 data_134
0 1 3 2 2 4 2 data_136
0 1 3 2 3 4 1 data_143
1 2 1 1 1 1 1 data_145
1 2 1 1 1 1 2 data_146
0 2 1 1 1 4 1 data_151
0 2 1 1 1 4 2 data_152
1 2 1 1 2 1 1 data_153
1 2 1 1 2 1 2 data_154
1 2 1 1 3 2 2 data_164
1 2 1 1 3 3 2 data_166
0 2 1 1 3 4 1 data_167
1 2 1 2 1 2 2 data_172
0 2 1 2 2 4 1 data_183
1 2 1 2 3 1 2 data_186
1 2 2 1 1 3 2 data_198
0 2 2 1 1 4 2 data_200
1 2 2 1 2 1 2 data_202
0 2 2 1 2 2 1 data_203
1 2 2 1 3 1 1 data_209
1 2 2 1 3 2 2 data_212
0 2 2 1 3 3 1 data_213
0 2 2 1 3 3 2 data_214
0 2 2 1 3 4 2 data_216
1 2 2 2 1 2 2 data_220
1 2 2 2 2 1 2 data_226
1 2 2 2 2 3 1 data_229
1 2 2 2 2 3 2 data_230
0 2 2 2 3 4 1 data_239
1 2 3 1 1 3 1 data_245
0 2 3 1 2 1 1 data_249
0 2 3 1 2 2 1 data_251
0 2 3 1 2 2 2 data_252
0 2 3 1 2 3 2 data_254
0 2 3 1 3 3 1 data_261
0 2 3 2 1 1 2 data_266
0 2 3 2 1 2 2 data_268
0 2 3 2 1 4 1 data_271
0 2 3 2 2 3 1 data_277
0 2 3 2 2 4 2 data_280
0 2 3 2 3 1 1 data_281
0 2 3 2 3 2 1 data_283
0 2 3 2 3 4 2 data_288
1 3 1 1 1 1 1 data_289
1 3 1 1 1 2 1 data_291
1 3 1 1 1 3 1 data_293
0 3 1 1 2 4 2 data_304
1 3 1 1 3 1 2 data_306
0 3 1 1 3 4 2 data_312
1 3 1 2 1 2 1 data_315
1 3 1 2 2 3 2 data_326
0 3 1 2 2 4 2 data_328
1 3 1 2 3 1 1 data_329
1 3 2 1 1 2 2 data_340
0 3 2 1 1 4 1 data_343
1 3 2 1 2 3 1 data_349
1 3 2 1 3 1 2 data_354
1 3 2 2 1 2 2 data_364
1 3 2 2 1 3 2 data_366
1 3 2 2 2 1 2 data_370
1 3 2 2 3 1 1 data_377
1 3 2 2 3 3 2 data_382
0 3 2 2 3 4 1 data_383
1 3 3 1 1 3 2 data_390
1 3 3 1 1 4 1 data_391
0 3 3 1 2 4 2 data_400
0 3 3 1 3 1 1 data_401
0 3 3 1 3 2 1 data_403
0 3 3 1 3 2 2 data_404
0 3 3 1 3 4 1 data_407
0 3 3 2 1 1 1 data_409
0 3 3 2 1 1 2 data_410
0 3 3 2 2 2 2 data_420
0 3 3 2 2 3 2 data_422
0 3 3 2 3 1 1 data_425
0 3 3 2 3 3 2 data_430
0 3 3 2 3 4 2 data_432

46
Code/entrainer_tester.py Normal file
View file

@ -0,0 +1,46 @@
#!/usr/bin/env python3
# -*- coding: utf-8 -*
import numpy as np
import sys
import load_datasets as ld
import BayesNaif # importer la classe du classifieur bayesien
import Knn # importer la classe du Knn
#importer d'autres fichiers et classes si vous en avez développés
"""
C'est le fichier main duquel nous allons tout lancer
Vous allez dire en commentaire c'est quoi les paramètres que vous avez utilisés
En gros, vous allez :
1- Initialiser votre classifieur avec ses paramètres
2- Charger les datasets
3- Entrainer votre classifieur
4- Le tester
"""
# Initializer vos paramètres
myKnn = Knn.Knn()
# Initializer/instanciez vos classifieurs avec leurs paramètres
# Charger/lire les datasets
train, train_labels, test, test_labels = ld.load_iris_dataset(0.7)
# Entrainez votre classifieur
myKnn.train(train, train_labels)
# Tester votre classifieur

205
Code/load_datasets.py Normal file
View file

@ -0,0 +1,205 @@
#!/usr/bin/env python3
# -*- coding: utf-8 -*
import numpy as np
import random
def load_iris_dataset(train_ratio=0.7):
"""Cette fonction a pour but de lire le dataset Iris
Args:
train_ratio: le ratio des exemples (ou instances) qui vont etre attribués à l'entrainement,
le rest des exemples va etre utilisé pour les tests.
Par exemple : si le ratio est 50%, il y aura 50% des exemple (75 exemples) qui vont etre utilisé
pour l'entrainement, et 50% (75 exemples) pour le test.
Retours:
Cette fonction doit retourner 4 matrices de type Numpy, train, train_labels, test, et test_labels
- train : une matrice numpy qui contient les exemples qui vont etre utilisés pour l'entrainement, chaque
ligne dans cette matrice représente un exemple (ou instance) d'entrainement.
- train_labels : contient les labels (ou les étiquettes) pour chaque exemple dans train, de telle sorte
que : train_labels[i] est le label (ou l'etiquette) pour l'exemple train[i]
- test : une matrice numpy qui contient les exemples qui vont etre utilisés pour le test, chaque
ligne dans cette matrice représente un exemple (ou instance) de test.
- test_labels : contient les labels (ou les étiquettes) pour chaque exemple dans test, de telle sorte
que : test_labels[i] est le label (ou l'etiquette) pour l'exemple test[i]
"""
random.seed(1) # Pour avoir les meme nombres aléatoires à chaque initialisation.
# Vous pouvez utiliser des valeurs numériques pour les différents types de classes, tel que :
conversion_labels = {'Iris-setosa': 0, 'Iris-versicolor' : 1, 'Iris-virginica' : 2}
# Le fichier du dataset est dans le dossier datasets en attaché
f = open('datasets/bezdekIris.data', 'r')
lines=[line.strip() for line in f.readlines()]
f.close()
lines=[line.split(",") for line in lines if line]
features=[]
labels=[]
for line in lines:
features.append(line[0:4])
labels.append(conversion_labels[line[4]])
np_features=np.array(features,dtype=np.float)
np_labels=np.array(labels,dtype=np.int)
n_train = int(np_features.shape[0]*train_ratio)
all_indices = [i for i in range(np_features.shape[0])]
random.shuffle(all_indices)
train_index = all_indices[0:n_train]
test_index = all_indices[n_train:np_features.shape[0]]
train = np_features[train_index]
train_labels = np_labels[train_index]
test = np_features[test_index]
test_labels = np_labels[test_index]
# REMARQUE très importante :
# remarquez bien comment les exemples sont ordonnés dans
# le fichier du dataset, ils sont ordonnés par type de fleur, cela veut dire que
# si vous lisez les exemples dans cet ordre et que si par exemple votre ration est de 60%,
# vous n'allez avoir aucun exemple du type Iris-virginica pour l'entrainement, pensez
# donc à utiliser la fonction random.shuffle pour melanger les exemples du dataset avant de séparer
# en train et test.
# Tres important : la fonction doit retourner 4 matrices (ou vecteurs) de type Numpy.
return (train, train_labels, test, test_labels)
def load_congressional_dataset(train_ratio):
"""Cette fonction a pour but de lire le dataset Congressional Voting Records
Args:
train_ratio: le ratio des exemples (ou instances) qui vont servir pour l'entrainement,
le rest des exemples va etre utilisé pour les test.
Retours:
Cette fonction doit retourner 4 matrices de type Numpy, train, train_labels, test, et test_labels
- train : une matrice numpy qui contient les exemples qui vont etre utilisés pour l'entrainement, chaque
ligne dans cette matrice représente un exemple (ou instance) d'entrainement.
- train_labels : contient les labels (ou les étiquettes) pour chaque exemple dans train, de telle sorte
que : train_labels[i] est le label (ou l'etiquette) pour l'exemple train[i]
- test : une matrice numpy qui contient les exemples qui vont etre utilisés pour le test, chaque
ligne dans cette matrice représente un exemple (ou instance) de test.
- test_labels : contient les labels (ou les étiquettes) pour chaque exemple dans test, de telle sorte
que : test_labels[i] est le label (ou l'etiquette) pour l'exemple test[i]
"""
random.seed(1) # Pour avoir les meme nombres aléatoires à chaque initialisation.
# Vous pouvez utiliser un dictionnaire pour convertir les attributs en numériques
# Notez bien qu'on a traduit le symbole "?" pour une valeur numérique
# Vous pouvez biensur utiliser d'autres valeurs pour ces attributs
conversion_labels = {'republican' : 0, 'democrat' : 1,
'n' : 0, 'y' : 1, '?' : 2}
# Le fichier du dataset est dans le dossier datasets en attaché
f = open('datasets/house-votes-84.data', 'r')
lines=[line.strip() for line in f.readlines()]
f.close()
lines=[line.split(",") for line in lines if line]
features=[]
labels=[]
for line in lines:
features.append([conversion_labels[i] for i in line[1:17]])
labels.append(conversion_labels[line[0]])
np_features=np.array(features,dtype=np.float)
np_labels=np.array(labels,dtype=np.int)
train_index = np.random.rand(np_features.shape[0]) < train_ratio
train = np_features[train_index]
train_labels = np_labels[train_index]
test = np_features[~train_index]
test_labels = np_labels[~train_index]
# La fonction doit retourner 4 structures de données de type Numpy.
return (train, train_labels, test, test_labels)
def load_monks_dataset(numero_dataset):
"""Cette fonction a pour but de lire le dataset Monks
Notez bien que ce dataset est différent des autres d'un point de vue
exemples entrainement et exemples de tests.
Pour ce dataset, nous avons 3 différents sous problèmes, et pour chacun
nous disposons d'un fichier contenant les exemples d'entrainement et
d'un fichier contenant les fichiers de tests. Donc nous avons besoin
seulement du numéro du sous problème pour charger le dataset.
Args:
numero_dataset: lequel des sous problèmes nous voulons charger (1, 2 ou 3 ?)
par exemple, si numero_dataset=2, vous devez lire :
le fichier monks-2.train contenant les exemples pour l'entrainement
et le fichier monks-2.test contenant les exemples pour le test
les fichiers sont tous dans le dossier datasets
Retours:
Cette fonction doit retourner 4 matrices de type Numpy, train, train_labels, test, et test_labels
- train : une matrice numpy qui contient les exemples qui vont etre utilisés pour l'entrainement, chaque
ligne dans cette matrice représente un exemple (ou instance) d'entrainement.
- train_labels : contient les labels (ou les étiquettes) pour chaque exemple dans train, de telle sorte
que : train_labels[i] est le label (ou l'etiquette) pour l'exemple train[i]
- test : une matrice numpy qui contient les exemples qui vont etre utilisés pour le test, chaque
ligne dans cette matrice représente un exemple (ou instance) de test.
- test_labels : contient les labels (ou les étiquettes) pour chaque exemple dans test, de telle sorte
que : test_labels[i] est le label (ou l'etiquette) pour l'exemple test[i]
"""
# TODO : votre code ici, vous devez lire les fichiers .train et .test selon l'argument numero_dataset
f = open('datasets/monks-'+str(numero_dataset)+'.train', 'r')
lines_train=[line.strip() for line in f.readlines()]
f.close()
f = open('datasets/monks-'+str(numero_dataset)+'.test', 'r')
lines_test=[line.strip() for line in f.readlines()]
f.close()
lines_train=[line.split(" ") for line in lines_train if line]
lines_test=[line.split(" ") for line in lines_test if line]
features_train=[]
labels_train=[]
features_test=[]
labels_test=[]
for line in lines_train:
features_train.append(line[1:7])
labels_train.append(line[0])
for line in lines_test:
features_test.append(line[1:7])
labels_test.append(line[0])
train=np.array(features_train,dtype=np.float)
train_labels=np.array(labels_train,dtype=np.int)
test=np.array(features_test,dtype=np.float)
test_labels=np.array(labels_test,dtype=np.int)
# La fonction doit retourner 4 matrices (ou vecteurs) de type Numpy.
return (train, train_labels, test, test_labels)