Pytorch regression _2.1_ [WorldHappinessReport.csv]

30 kwietnia, 2020 admin pytorch 0

300420201044

https://github.com/jcjohnson/pytorch-examples#pytorch-custom-nn-modules

In [1]:
import torch

I’m starting a GPU graphics card (which I don’t have)

Odpalam karte graficzną GPU (której nie mam)

In [2]:
device = torch.device('cpu') # obliczenia robie na CPU
#device = torch.device('cuda') # obliczenia robie na GPU
In [3]:
import pandas as pd

df = pd.read_csv('/home/wojciech/Pulpit/1/WorldHappinessReport.csv')
df.head(3)
Out[3]:
Unnamed: 0 Country Region Happiness Rank Happiness Score Economy (GDP per Capita) Family Health (Life Expectancy) Freedom Trust (Government Corruption) Generosity Dystopia Residual Year
0 0 Afghanistan Southern Asia 153.0 3.575 0.31982 0.30285 0.30335 0.23414 0.09719 0.36510 1.95210 2015.0
1 1 Albania Central and Eastern Europe 95.0 4.959 0.87867 0.80434 0.81325 0.35733 0.06413 0.14272 1.89894 2015.0
2 2 Algeria Middle East and Northern Africa 68.0 5.605 0.93929 1.07772 0.61766 0.28579 0.17383 0.07822 2.43209 2015.0

I fill all holes with values out of range

Wypełniam wszystkie dziury wartościami z poza zakresu

In [4]:
del df['Unnamed: 0']
In [5]:
df = df.dropna(how='any')

# df.fillna(-777, inplace=True)
df.isnull().sum()
Out[5]:
Country                          0
Region                           0
Happiness Rank                   0
Happiness Score                  0
Economy (GDP per Capita)         0
Family                           0
Health (Life Expectancy)         0
Freedom                          0
Trust (Government Corruption)    0
Generosity                       0
Dystopia Residual                0
Year                             0
dtype: int64
In [6]:
print(df.dtypes)
df.head(3)

Country                           object
Region                            object
Happiness Rank                   float64
Happiness Score                  float64
Economy (GDP per Capita)         float64
Family                           float64
Health (Life Expectancy)         float64
Freedom                          float64
Trust (Government Corruption)    float64
Generosity                       float64
Dystopia Residual                float64
Year                             float64
dtype: object
Out[6]:
Country Region Happiness Rank Happiness Score Economy (GDP per Capita) Family Health (Life Expectancy) Freedom Trust (Government Corruption) Generosity Dystopia Residual Year
0 Afghanistan Southern Asia 153.0 3.575 0.31982 0.30285 0.30335 0.23414 0.09719 0.36510 1.95210 2015.0
1 Albania Central and Eastern Europe 95.0 4.959 0.87867 0.80434 0.81325 0.35733 0.06413 0.14272 1.89894 2015.0
2 Algeria Middle East and Northern Africa 68.0 5.605 0.93929 1.07772 0.61766 0.28579 0.17383 0.07822 2.43209 2015.0

Encodes text values

Koduje wartości tekstowe

In [7]:
import numpy as np

a,b = df.shape     #<- ile mamy kolumn
b

print('DISCRETE FUNCTIONS CODED')
print('------------------------')
for i in range(1,b):
    i = df.columns[i]
    f = df[i].dtypes
    if f == np.object:
        print(i,"---",f)   
    
        if f == np.object:
        
            df[i] = pd.Categorical(df[i]).codes
        
            continue

DISCRETE FUNCTIONS CODED
------------------------
Region --- object
In [8]:
df['Country'] = pd.Categorical(df['Country']).codes
df['Country'] = df['Country'].astype(int)
In [9]:
df.dtypes
Out[9]:
Country                            int64
Region                              int8
Happiness Rank                   float64
Happiness Score                  float64
Economy (GDP per Capita)         float64
Family                           float64
Health (Life Expectancy)         float64
Freedom                          float64
Trust (Government Corruption)    float64
Generosity                       float64
Dystopia Residual                float64
Year                             float64
dtype: object

I specify what is X and what is y

Określam co jest X a co y

In [10]:
X = df.drop('Happiness Score',axis=1)
y =df['Happiness Score']

Scaling (normalization) of the X value

X should never be too big. Ideally, it should be in the range [-1, 1]. If this is not the case, normalize the input.

Skalowanie (normalizacja) wartości X

X nigdy nie powinien być zbyt duży. Idealnie powinien być w zakresie [-1, 1]. Jeśli tak nie jest, należy znormalizować dane wejściowe.

In [11]:
from sklearn.preprocessing import StandardScaler

sc = StandardScaler()
X = sc.fit_transform(X)

print(np.round(X.std(), decimals=2), np.round(X.mean(), decimals=2))

1.0 0.0
In [12]:
y = y / 100  # max test score is 100
#print(y.head(3))
print(np.round(y.std(), decimals=2), np.round(y.mean(), decimals=2))

0.01 0.05

Creates random input and output

Tworzy losowe dane wejściowe i wyjściowe

In [13]:
import numpy as np

#X = X.values       #- jak była normalizacja to to nie działa
X = torch.tensor(X)
print(X[:3])

tensor([[-1.7017,  0.6348,  1.6377, -1.4634, -2.1570, -1.1514, -1.1211, -0.3355,
          0.9371, -0.2564, -1.2157],
        [-1.6806, -1.3723,  0.3567, -0.1154, -0.5823,  0.9770, -0.3015, -0.6331,
         -0.7552, -0.3511, -1.2157],
        [-1.6595, -0.3688, -0.2395,  0.0309,  0.2762,  0.1606, -0.7774,  0.3545,
         -1.2461,  0.5988, -1.2157]], dtype=torch.float64)
In [14]:
X = X.type(torch.FloatTensor)
print(X[:3])

tensor([[-1.7017,  0.6348,  1.6377, -1.4634, -2.1570, -1.1514, -1.1211, -0.3355,
          0.9371, -0.2564, -1.2157],
        [-1.6806, -1.3723,  0.3567, -0.1154, -0.5823,  0.9770, -0.3015, -0.6331,
         -0.7552, -0.3511, -1.2157],
        [-1.6595, -0.3688, -0.2395,  0.0309,  0.2762,  0.1606, -0.7774,  0.3545,
         -1.2461,  0.5988, -1.2157]])
In [ ]:
In [15]:
y = y.values   # tworzymy macierz numpy - jak była normalizacja to to nie działa
In [16]:
y = torch.tensor(y)
print(y[:3])

tensor([0.0358, 0.0496, 0.0561], dtype=torch.float64)

TRanspends the resulting vector to become a column

TRansponuje wektor wynikowy aby stał się kolumną

In [17]:
y = y.view(y.shape[0],1)
y[:5]
Out[17]:
tensor([[0.0358],
        [0.0496],
        [0.0561],
        [0.0403],
        [0.0657]], dtype=torch.float64)
In [18]:
y = y.type(torch.FloatTensor)

from sklearn.preprocessing import StandardScaler

sc = StandardScaler()
y = sc.fit_transform(y)

print(np.round(y.std(), decimals=2), np.round(y.mean(), decimals=2))

In [19]:
print('X:',X.shape)
print('y:',y.shape)

X: torch.Size([469, 11])
y: torch.Size([469, 1])

Model

In [20]:
N, D_in = X.shape
N, D_out = y.shape

H = 30
device = torch.device('cpu')
In [21]:
model = torch.nn.Sequential(
          torch.nn.Linear(D_in, H),
          torch.nn.ReLU(),
          torch.nn.Linear(H, D_out),
        ).to(device)

MSE loss function

Funkcja straty MSE

In [22]:
loss_fn = torch.nn.MSELoss(reduction='sum')

Define of learning

Definiowanie nauki

In [23]:
y_pred = model(X)
y_pred
Out[23]:
tensor([[-4.2745e-01],
        [-3.6429e-03],
        [ 3.1600e-02],
        [-2.2681e-01],
        [-1.1513e-02],
        [-1.9216e-02],
        [-1.2311e-01],
        [-1.6105e-02],
        [ 5.4885e-02],
        [ 9.3276e-02],
        [-2.9303e-01],
        [ 1.1384e-01],
        [-4.6793e-03],
        [-3.5003e-01],
        [ 3.0583e-02],
        [-2.9466e-02],
        [-3.8709e-02],
        [-2.5406e-01],
        [-3.9137e-02],
        [ 1.5388e-01],
        [-1.7763e-01],
        [-4.0004e-01],
        [-7.0890e-02],
        [-3.0126e-01],
        [ 3.5626e-02],
        [-5.6126e-01],
        [-3.2454e-01],
        [ 6.9069e-03],
        [ 3.5522e-02],
        [-1.2959e-02],
        [-1.5253e-01],
        [-2.5984e-01],
        [-4.0041e-01],
        [-5.3569e-02],
        [-1.1350e-01],
        [ 9.3323e-03],
        [-1.2873e-02],
        [ 7.2967e-02],
        [-1.7973e-01],
        [ 4.2126e-02],
        [ 6.5027e-02],
        [-4.2669e-02],
        [ 1.8619e-02],
        [ 5.1381e-02],
        [-2.5496e-01],
        [ 6.6168e-02],
        [ 5.5571e-02],
        [-1.2586e-01],
        [-7.1015e-02],
        [ 2.4031e-02],
        [-2.3470e-01],
        [-1.3440e-01],
        [-2.7763e-02],
        [-3.9259e-01],
        [-2.1299e-01],
        [ 5.2305e-02],
        [-2.6931e-02],
        [ 1.1370e-01],
        [ 2.0505e-02],
        [-2.2530e-01],
        [-3.1724e-02],
        [-7.1249e-02],
        [-1.0609e-01],
        [ 7.5583e-02],
        [ 4.1280e-02],
        [ 1.3634e-01],
        [-3.2085e-01],
        [ 2.0309e-03],
        [-6.4143e-02],
        [ 8.2991e-02],
        [ 1.4143e-02],
        [-1.6307e-01],
        [-1.0309e-01],
        [-4.9232e-02],
        [-1.1677e-01],
        [ 1.1351e-02],
        [ 6.3761e-02],
        [ 5.0787e-02],
        [-3.0608e-01],
        [-3.4375e-01],
        [ 8.4144e-02],
        [-1.4717e-02],
        [ 2.7701e-03],
        [ 1.3630e-02],
        [-2.3664e-01],
        [-4.8505e-01],
        [ 5.1280e-02],
        [-2.8454e-01],
        [ 3.6705e-02],
        [-1.4809e-01],
        [ 2.8126e-02],
        [ 7.9958e-02],
        [-1.6470e-01],
        [-6.7994e-02],
        [-3.5120e-02],
        [-1.1673e-01],
        [-3.4031e-01],
        [-1.6971e-01],
        [-1.3144e-01],
        [ 1.3408e-01],
        [-8.7675e-02],
        [-4.2872e-03],
        [-3.4742e-01],
        [-3.2806e-01],
        [ 1.1534e-01],
        [ 8.0059e-03],
        [-2.1437e-02],
        [-2.8561e-01],
        [ 1.9570e-02],
        [ 4.2293e-02],
        [-9.1104e-02],
        [-3.6440e-02],
        [-1.9679e-01],
        [-9.4737e-02],
        [-3.7697e-02],
        [-7.7243e-02],
        [-6.1722e-02],
        [-9.0355e-02],
        [-1.8373e-02],
        [ 1.5134e-01],
        [-1.8642e-01],
        [-3.2258e-02],
        [-4.8399e-01],
        [ 1.3403e-01],
        [-2.6324e-03],
        [-1.4263e-01],
        [ 1.1676e-01],
        [-1.5671e-01],
        [-1.2794e-02],
        [ 8.9764e-02],
        [-1.1662e-01],
        [-1.2209e-01],
        [ 3.5171e-02],
        [-3.4670e-01],
        [ 9.6369e-02],
        [ 3.5116e-02],
        [ 1.1252e-01],
        [ 1.8931e-02],
        [-2.9094e-01],
        [-2.5447e-01],
        [-9.2450e-02],
        [-3.7711e-01],
        [-8.0330e-02],
        [-1.0223e-01],
        [ 3.7966e-02],
        [-6.4997e-02],
        [-3.4390e-01],
        [-1.6943e-01],
        [-4.6404e-02],
        [ 1.6054e-01],
        [ 4.9439e-02],
        [-1.3906e-02],
        [-2.0814e-01],
        [ 3.2258e-02],
        [-1.5231e-01],
        [-2.8329e-01],
        [-2.1860e-01],
        [-2.4882e-01],
        [-5.0408e-01],
        [-9.2120e-02],
        [-2.7293e-01],
        [-4.1514e-01],
        [-1.0440e-01],
        [-1.3683e-01],
        [-1.2180e-01],
        [-2.2596e-01],
        [-1.2288e-02],
        [-9.5664e-02],
        [-3.5454e-01],
        [-3.7126e-04],
        [-2.1165e-01],
        [-7.6128e-02],
        [-4.0232e-01],
        [-3.9331e-02],
        [-3.5365e-02],
        [-1.9719e-01],
        [-1.2559e-01],
        [-1.2059e-01],
        [ 1.1621e-01],
        [-2.5765e-01],
        [-5.2664e-01],
        [-1.2323e-01],
        [-3.3721e-01],
        [-1.0469e-01],
        [-4.3728e-01],
        [-1.0070e-01],
        [ 1.8569e-02],
        [-3.4372e-02],
        [-3.0936e-01],
        [-2.6187e-01],
        [-4.2382e-01],
        [-4.3243e-02],
        [-1.5634e-01],
        [-1.7728e-01],
        [-2.3042e-02],
        [-1.4630e-01],
        [ 9.1151e-02],
        [-2.4256e-02],
        [-1.9366e-01],
        [-7.1570e-02],
        [ 9.4558e-02],
        [-3.4334e-01],
        [-1.1295e-01],
        [-1.2794e-01],
        [-2.0222e-01],
        [-1.5829e-01],
        [-1.2256e-01],
        [-2.5393e-01],
        [-3.0474e-01],
        [-1.8759e-02],
        [-4.3256e-01],
        [-3.7892e-01],
        [-6.8839e-02],
        [-8.8371e-03],
        [ 4.7923e-03],
        [-8.7923e-02],
        [-2.4323e-01],
        [-1.3643e-01],
        [-1.3913e-01],
        [-1.2775e-01],
        [-9.1886e-02],
        [-3.2819e-02],
        [-6.7460e-02],
        [-3.2325e-01],
        [ 2.9318e-02],
        [-3.5069e-02],
        [-1.7418e-02],
        [ 6.5475e-02],
        [-2.6579e-01],
        [-1.8996e-01],
        [-4.6490e-02],
        [-1.3474e-01],
        [-1.3473e-01],
        [ 1.5172e-02],
        [-9.3274e-02],
        [-4.2761e-01],
        [ 5.3500e-02],
        [-2.9554e-02],
        [-1.3342e-01],
        [ 9.8934e-03],
        [-3.9405e-01],
        [-4.8164e-01],
        [-1.5648e-02],
        [-2.8614e-01],
        [-4.0472e-02],
        [-1.9807e-01],
        [-9.5416e-03],
        [ 2.7897e-02],
        [-1.5682e-01],
        [ 1.7725e-02],
        [-1.0876e-01],
        [-2.4430e-01],
        [-1.7526e-01],
        [-1.6604e-01],
        [-2.1545e-01],
        [ 4.2694e-03],
        [-1.1699e-01],
        [-9.5717e-03],
        [-3.3002e-01],
        [-4.2078e-01],
        [ 3.9176e-03],
        [-4.7472e-02],
        [-3.7422e-01],
        [-1.2959e-01],
        [ 5.5540e-02],
        [-2.9904e-02],
        [-1.7143e-02],
        [-3.9630e-02],
        [-1.4988e-03],
        [-3.3803e-02],
        [ 4.2111e-02],
        [-1.4506e-01],
        [-2.0571e-02],
        [-1.7663e-02],
        [-1.1568e-01],
        [ 7.8986e-02],
        [-2.1377e-01],
        [-5.9858e-02],
        [-4.7240e-01],
        [-1.3849e-02],
        [-9.6779e-03],
        [-2.2012e-02],
        [-2.2544e-01],
        [-1.2726e-01],
        [-1.6832e-01],
        [-2.2275e-02],
        [-4.5899e-01],
        [ 7.5663e-02],
        [-8.2426e-02],
        [-3.2082e-01],
        [ 6.7503e-02],
        [ 1.9751e-02],
        [-1.8723e-02],
        [-9.1598e-02],
        [ 2.2715e-02],
        [-2.2554e-01],
        [-2.8882e-01],
        [-1.3291e-01],
        [-3.9947e-01],
        [-2.4364e-02],
        [-1.6493e-01],
        [-2.1627e-02],
        [ 1.0300e-02],
        [-3.8896e-01],
        [-6.3563e-02],
        [-3.2330e-02],
        [ 6.4565e-02],
        [ 2.2611e-02],
        [ 2.0242e-02],
        [-1.9253e-01],
        [-3.0338e-02],
        [-1.4017e-01],
        [-2.6179e-01],
        [-2.6843e-01],
        [-3.8787e-01],
        [-3.5069e-01],
        [ 1.5691e-01],
        [-7.9159e-02],
        [-1.3093e-01],
        [-8.4490e-02],
        [ 1.2835e-01],
        [-2.8785e-01],
        [-2.7760e-01],
        [ 1.2939e-01],
        [-1.2159e-01],
        [-4.6848e-03],
        [ 1.1916e-01],
        [-2.7076e-01],
        [ 7.8918e-03],
        [-2.1981e-01],
        [-6.0121e-02],
        [-1.7439e-02],
        [ 7.2381e-02],
        [-1.0266e-01],
        [-6.7563e-02],
        [ 2.5719e-01],
        [-7.8539e-02],
        [-2.9228e-01],
        [-5.9970e-02],
        [-1.7658e-01],
        [-2.2883e-01],
        [-5.3707e-01],
        [-2.8134e-01],
        [-7.9801e-02],
        [ 5.3754e-02],
        [-3.9891e-02],
        [-5.8873e-02],
        [-1.5668e-01],
        [-1.1001e-01],
        [ 7.7573e-02],
        [-1.3546e-01],
        [-1.5186e-01],
        [-2.6282e-01],
        [-3.5541e-02],
        [ 3.5792e-02],
        [ 1.1476e-01],
        [ 4.4816e-02],
        [-5.3945e-02],
        [-6.5655e-02],
        [-2.3092e-01],
        [-1.7522e-01],
        [-5.9290e-02],
        [ 6.0194e-02],
        [-2.2226e-01],
        [-8.5102e-02],
        [-1.0436e-01],
        [-5.1286e-02],
        [-1.8722e-01],
        [-2.4780e-01],
        [ 1.2161e-01],
        [ 1.5192e-01],
        [-2.8800e-01],
        [ 4.1241e-02],
        [-1.8488e-01],
        [ 3.2783e-02],
        [ 1.5595e-01],
        [-2.3525e-01],
        [-1.3962e-01],
        [-8.9306e-02],
        [-1.8592e-01],
        [-1.2561e-03],
        [-1.9509e-01],
        [ 9.9536e-02],
        [-3.7024e-02],
        [-1.2256e-01],
        [ 5.7584e-02],
        [-1.6568e-01],
        [-6.1208e-02],
        [ 1.3184e-02],
        [ 1.0873e-01],
        [-2.0101e-01],
        [-2.3157e-01],
        [-5.2749e-02],
        [ 5.3078e-02],
        [-2.7642e-01],
        [ 1.1204e-01],
        [-1.2318e-01],
        [-2.4445e-01],
        [-1.3769e-01],
        [-7.3394e-02],
        [-2.5623e-01],
        [-3.1583e-03],
        [-9.2862e-02],
        [-2.1318e-02],
        [-5.9814e-02],
        [-6.7896e-02],
        [ 1.3920e-01],
        [ 2.1923e-02],
        [-2.5978e-01],
        [-1.5678e-01],
        [-1.4222e-01],
        [-1.7531e-02],
        [-1.8887e-01],
        [-3.4119e-01],
        [-6.7630e-03],
        [-1.6711e-01],
        [-1.9834e-01],
        [-7.1525e-02],
        [-2.5377e-01],
        [-2.7868e-01],
        [ 4.1292e-02],
        [-2.2371e-01],
        [-1.3157e-01],
        [-4.2236e-02],
        [-1.5551e-01],
        [-2.3040e-01],
        [-1.7524e-01],
        [-3.6064e-01],
        [-1.9167e-02],
        [-1.1715e-01],
        [-1.2774e-01],
        [-1.4843e-01],
        [-2.8300e-02],
        [ 3.3448e-02],
        [-3.5775e-01],
        [-2.6867e-01],
        [-7.0971e-02],
        [-2.8985e-01],
        [-2.7948e-01],
        [-2.4863e-01],
        [-1.3089e-02],
        [-3.3796e-01],
        [-1.9001e-01],
        [-2.2440e-01],
        [-1.2782e-01],
        [-1.8728e-01],
        [-2.1334e-01],
        [-8.4375e-02],
        [-1.5037e-01],
        [-2.0170e-01],
        [-1.6970e-01],
        [-3.8650e-01],
        [-3.0448e-01],
        [-2.8647e-01],
        [-2.9811e-02],
        [-1.0393e-01],
        [-1.6981e-01],
        [-2.5891e-01],
        [-6.0411e-02],
        [-2.9120e-01],
        [-2.3515e-01],
        [-3.4595e-01],
        [-3.2688e-01],
        [-4.6198e-01],
        [-7.3562e-02],
        [-2.4096e-01],
        [-1.1416e-01],
        [-2.0195e-01],
        [-2.3524e-01]], grad_fn=<AddmmBackward>)
In [24]:
learning_rate = 1e-4
epochs = 2500
aggregated_losses = []

for t in range(epochs):
  
   y_pred = model(X)
            
 
   loss = loss_fn(y_pred, y) # <=# Obliczenie i wydruku straty. Mijamy Tensory zawierające przewidywane i prawdziwe
   print(t, loss.item())     # <=# wartości y, a funkcja straty zwraca Tensor zawierający stratę.
   aggregated_losses.append(loss) ## potrzebne do wykresu    
  
   model.zero_grad()    #<= # Zeruj gradienty przed uruchomieniem przejścia do tyłu. 
   

   loss.backward()      #<== Przełożenie wsteczne: oblicz gradient gradientu w odniesieniu do wszystkich możliwych do nauczenia się
                                 # parametrów modelu. Wewnętrznie parametry każdego modułu są przechowywane
                                 # w Tensorach z requires_grad=True, więc to wywołanie obliczy gradienty
                                 # wszystkich możliwych do nauczenia parametrów w modelu.
  
   with torch.no_grad():              #<== Zaktualizuj ciężary za pomocą opadania gradientu. Każdy parametr jest tensorem, więc
     for param in model.parameters():         # możemy uzyskać dostęp do jego danych i gradientów tak jak wcześniej.
       param.data -= learning_rate * param.grad

0 22.952877044677734
1 13.857816696166992
2 9.691527366638184
3 7.705139636993408
4 6.698968887329102
5 6.140297889709473
6 5.791937828063965
7 5.546450614929199
8 5.3543548583984375
9 5.19241189956665
10 5.049210548400879
11 4.918918609619141
12 4.798333168029785
13 4.685548305511475
14 4.579348087310791
15 4.478791236877441
16 4.383253574371338
17 4.292238235473633
18 4.205319881439209
19 4.122212886810303
20 4.042584419250488
21 3.9661753177642822
22 3.8927762508392334
23 3.8221662044525146
24 3.754176616668701
25 3.6886744499206543
26 3.625523567199707
27 3.5645980834960938
28 3.505775213241577
29 3.4489235877990723
30 3.393965482711792
31 3.340808868408203
32 3.2893426418304443
33 3.2395153045654297
34 3.191263198852539
35 3.1444873809814453
36 3.099121332168579
37 3.0551016330718994
38 3.0123729705810547
39 2.970889091491699
40 2.9305853843688965
41 2.8914124965667725
42 2.8533215522766113
43 2.8162498474121094
44 2.7801461219787598
45 2.7450110912323
46 2.7107717990875244
47 2.677427053451538
48 2.6449227333068848
49 2.61322283744812
50 2.5823092460632324
51 2.5521597862243652
52 2.5227556228637695
53 2.494032382965088
54 2.4659388065338135
55 2.438509702682495
56 2.4117209911346436
57 2.3855485916137695
58 2.359961986541748
59 2.3349292278289795
60 2.3104190826416016
61 2.286430597305298
62 2.2629616260528564
63 2.2399888038635254
64 2.217496871948242
65 2.1954705715179443
66 2.173887252807617
67 2.1527469158172607
68 2.132028579711914
69 2.111713409423828
70 2.0917868614196777
71 2.0722455978393555
72 2.053072214126587
73 2.0342624187469482
74 2.0158121585845947
75 1.9977023601531982
76 1.9798957109451294
77 1.9624133110046387
78 1.9452464580535889
79 1.9283857345581055
80 1.9118256568908691
81 1.895555019378662
82 1.8795545101165771
83 1.8638136386871338
84 1.8483275175094604
85 1.8330997228622437
86 1.8181283473968506
87 1.8034056425094604
88 1.7889187335968018
89 1.7746583223342896
90 1.7606290578842163
91 1.7468219995498657
92 1.7332323789596558
93 1.719851016998291
94 1.7066792249679565
95 1.6937110424041748
96 1.680941104888916
97 1.6683626174926758
98 1.6559748649597168
99 1.6437857151031494
100 1.6317881345748901
101 1.6199665069580078
102 1.6082994937896729
103 1.5968005657196045
104 1.5854676961898804
105 1.5743000507354736
106 1.5632870197296143
107 1.5524123907089233
108 1.5416890382766724
109 1.5311145782470703
110 1.5206801891326904
111 1.5103785991668701
112 1.5002166032791138
113 1.490191102027893
114 1.4802982807159424
115 1.4705349206924438
116 1.460896611213684
117 1.4513828754425049
118 1.4419926404953003
119 1.4327237606048584
120 1.4235708713531494
121 1.414528250694275
122 1.4056001901626587
123 1.396785855293274
124 1.3880841732025146
125 1.3794904947280884
126 1.3710025548934937
127 1.3626171350479126
128 1.3543349504470825
129 1.3461530208587646
130 1.3380697965621948
131 1.3300824165344238
132 1.3221898078918457
133 1.3143912553787231
134 1.3066872358322144
135 1.2990696430206299
136 1.2915362119674683
137 1.2840895652770996
138 1.2767281532287598
139 1.2694509029388428
140 1.2622557878494263
141 1.2551392316818237
142 1.248098373413086
143 1.241135597229004
144 1.2342497110366821
145 1.2274389266967773
146 1.2206966876983643
147 1.2140265703201294
148 1.2074280977249146
149 1.200900912284851
150 1.1944435834884644
151 1.1880548000335693
152 1.1817348003387451
153 1.1754802465438843
154 1.169293999671936
155 1.1631759405136108
156 1.1571210622787476
157 1.151126742362976
158 1.14518404006958
159 1.1393033266067505
160 1.1334810256958008
161 1.1277174949645996
162 1.1220113039016724
163 1.1163551807403564
164 1.1107507944107056
165 1.105201244354248
166 1.0997103452682495
167 1.0942801237106323
168 1.0889040231704712
169 1.083583950996399
170 1.078315258026123
171 1.0730972290039062
172 1.067928671836853
173 1.0628070831298828
174 1.0577337741851807
175 1.0527089834213257
176 1.047730565071106
177 1.042799472808838
178 1.0379137992858887
179 1.0330678224563599
180 1.0282684564590454
181 1.0235164165496826
182 1.0188075304031372
183 1.0141416788101196
184 1.0095181465148926
185 1.0049362182617188
186 1.000395655632019
187 0.9958955645561218
188 0.9914366006851196
189 0.9870172142982483
190 0.982637345790863
191 0.9782963991165161
192 0.9739935994148254
193 0.9697280526161194
194 0.9654982089996338
195 0.9613040685653687
196 0.9571464657783508
197 0.9530245065689087
198 0.9489384293556213
199 0.9448872208595276
200 0.9408681988716125
201 0.936881422996521
202 0.9329274296760559
203 0.9290053844451904
204 0.925116777420044
205 0.9212581515312195
206 0.9174230694770813
207 0.9136195182800293
208 0.9098472595214844
209 0.9061055183410645
210 0.90239417552948
211 0.898712694644928
212 0.8950610160827637
213 0.8914390206336975
214 0.8878458738327026
215 0.8842823505401611
216 0.8807358145713806
217 0.8772179484367371
218 0.8737277388572693
219 0.8702632188796997
220 0.8668240308761597
221 0.8634112477302551
222 0.86002516746521
223 0.8566659688949585
224 0.85333251953125
225 0.8500242829322815
226 0.8467413187026978
227 0.8434829115867615
228 0.8402493596076965
229 0.8370398879051208
230 0.833854615688324
231 0.8306929469108582
232 0.827552080154419
233 0.8244278430938721
234 0.8213253021240234
235 0.8182432651519775
236 0.8151854872703552
237 0.8121501803398132
238 0.8091368675231934
239 0.8061456680297852
240 0.8031761050224304
241 0.80022794008255
242 0.7973006963729858
243 0.7943944334983826
244 0.7915089726448059
245 0.7886437773704529
246 0.7857990860939026
247 0.7829744219779968
248 0.7801696062088013
249 0.777384340763092
250 0.7746186852455139
251 0.7718718647956848
252 0.7691439390182495
253 0.7664331793785095
254 0.7637409567832947
255 0.7610670924186707
256 0.7584114670753479
257 0.7557739615440369
258 0.7531542778015137
259 0.7505530118942261
260 0.7479691505432129
261 0.7454013824462891
262 0.7428488731384277
263 0.7403134703636169
264 0.7377946376800537
265 0.7352923154830933
266 0.7328044772148132
267 0.7303316593170166
268 0.7278748154640198
269 0.7254340648651123
270 0.7230089902877808
271 0.7205997705459595
272 0.7182057499885559
273 0.7158268094062805
274 0.7134631276130676
275 0.7111144661903381
276 0.7087805867195129
277 0.706461489200592
278 0.7041566967964172
279 0.7018659710884094
280 0.6995895504951477
281 0.6973273754119873
282 0.6950793266296387
283 0.6928450465202332
284 0.6906245350837708
285 0.6884176135063171
286 0.6862243413925171
287 0.684044599533081
288 0.681877851486206
289 0.6797241568565369
290 0.6775832176208496
291 0.6754552721977234
292 0.6733400225639343
293 0.6712375283241272
294 0.6691456437110901
295 0.6670605540275574
296 0.6649874448776245
297 0.6629267930984497
298 0.6608779430389404
299 0.6588414311408997
300 0.6568167805671692
301 0.6548037528991699
302 0.6528029441833496
303 0.6508134007453918
304 0.648834228515625
305 0.6468671560287476
306 0.6449111700057983
307 0.6429666876792908
308 0.6410335302352905
309 0.6391113996505737
310 0.6372001767158508
311 0.6352999210357666
312 0.6334100961685181
313 0.6315310001373291
314 0.6296621561050415
315 0.6278043389320374
316 0.6259567141532898
317 0.6241182684898376
318 0.6222867369651794
319 0.6204652786254883
320 0.6186535358428955
321 0.6168522834777832
322 0.6150606870651245
323 0.6132790446281433
324 0.61150723695755
325 0.6097429990768433
326 0.6079882979393005
327 0.6062430143356323
328 0.604507327079773
329 0.6027806997299194
330 0.6010634899139404
331 0.5993567109107971
332 0.5976606011390686
333 0.5959730744361877
334 0.5942966938018799
335 0.592631459236145
336 0.590974748134613
337 0.589325487613678
338 0.5876843929290771
339 0.5860518217086792
340 0.5844278335571289
341 0.5828127264976501
342 0.5812069177627563
343 0.5796093940734863
344 0.578019917011261
345 0.5764382481575012
346 0.5748651027679443
347 0.5732994079589844
348 0.5717419981956482
349 0.5701925754547119
350 0.5686507225036621
351 0.5671167373657227
352 0.5655908584594727
353 0.5640721321105957
354 0.56256103515625
355 0.5610572695732117
356 0.5595608949661255
357 0.5580719709396362
358 0.5565890073776245
359 0.5551137924194336
360 0.5536459684371948
361 0.5521852970123291
362 0.5507314801216125
363 0.5492850542068481
364 0.5478458404541016
365 0.5464138984680176
366 0.5449886918067932
367 0.5435706973075867
368 0.5421592593193054
369 0.5407543778419495
370 0.5393574237823486
371 0.5379711985588074
372 0.5365912318229675
373 0.5352166891098022
374 0.5338472127914429
375 0.5324841141700745
376 0.5311273336410522
377 0.5297768712043762
378 0.5284324288368225
379 0.5270943641662598
380 0.5257622003555298
381 0.5244361758232117
382 0.5231162309646606
383 0.5218020081520081
384 0.5204949378967285
385 0.5191943645477295
386 0.5178999304771423
387 0.516610324382782
388 0.5153262615203857
389 0.514048159122467
390 0.5127755403518677
391 0.5115087032318115
392 0.510247528553009
393 0.5089918375015259
394 0.5077416896820068
395 0.5064969062805176
396 0.5052579045295715
397 0.5040238499641418
398 0.5027949213981628
399 0.5015710592269897
400 0.5003527402877808
401 0.4991387724876404
402 0.49793052673339844
403 0.49672847986221313
404 0.49553149938583374
405 0.4943397045135498
406 0.49315300583839417
407 0.4919714331626892
408 0.4907943904399872
409 0.48962166905403137
410 0.4884537160396576
411 0.48729056119918823
412 0.48613253235816956
413 0.4849790930747986
414 0.4838304817676544
415 0.48268669843673706
416 0.48154768347740173
417 0.4804132282733917
418 0.47928348183631897
419 0.4781581461429596
420 0.47703754901885986
421 0.4759214520454407
422 0.47481003403663635
423 0.47370296716690063
424 0.4725983440876007
425 0.4714982807636261
426 0.4704027771949768
427 0.46931177377700806
428 0.4682251513004303
429 0.4671427607536316
430 0.4660649299621582
431 0.4649914503097534
432 0.4639223515987396
433 0.4628574252128601
434 0.4617968797683716
435 0.46074098348617554
436 0.459689199924469
437 0.4586414396762848
438 0.45759811997413635
439 0.4565587043762207
440 0.45552361011505127
441 0.45449256896972656
442 0.4534655213356018
443 0.4524424970149994
444 0.45142364501953125
445 0.4504084885120392
446 0.4493974447250366
447 0.44839024543762207
448 0.44738712906837463
449 0.4463876485824585
450 0.44539159536361694
451 0.4443994164466858
452 0.44341111183166504
453 0.44242650270462036
454 0.44144588708877563
455 0.4404689371585846
456 0.4394948482513428
457 0.43852463364601135
458 0.43755805492401123
459 0.43659508228302
460 0.4356358051300049
461 0.43468010425567627
462 0.4337283670902252
463 0.43278005719184875
464 0.4318353235721588
465 0.4308941066265106
466 0.4299563765525818
467 0.42902228236198425
468 0.4280916154384613
469 0.4271644651889801
470 0.42624062299728394
471 0.4253202974796295
472 0.42440328001976013
473 0.4234898090362549
474 0.42257949709892273
475 0.421672523021698
476 0.4207688570022583
477 0.4198683500289917
478 0.41897115111351013
479 0.41807663440704346
480 0.41718536615371704
481 0.4162973165512085
482 0.4154125154018402
483 0.41453102231025696
484 0.41365253925323486
485 0.41277727484703064
486 0.41190510988235474
487 0.41103610396385193
488 0.41017037630081177
489 0.4093076288700104
490 0.4084479808807373
491 0.40759146213531494
492 0.40673789381980896
493 0.4058874845504761
494 0.4050399959087372
495 0.4041954278945923
496 0.4033539593219757
497 0.40251532196998596
498 0.4016796350479126
499 0.4008469879627228
500 0.400017112493515
501 0.3991903066635132
502 0.3983662724494934
503 0.3975451588630676
504 0.39672714471817017
505 0.3959120512008667
506 0.39509981870651245
507 0.3942902386188507
508 0.3934839367866516
509 0.3926803469657898
510 0.3918794095516205
511 0.3910813629627228
512 0.39028578996658325
513 0.38949301838874817
514 0.38870301842689514
515 0.38791561126708984
516 0.38713082671165466
517 0.38634881377220154
518 0.38556939363479614
519 0.3847925662994385
520 0.3840184211730957
521 0.3832467794418335
522 0.38247784972190857
523 0.38171136379241943
524 0.3809475898742676
525 0.3801862299442291
526 0.37942740321159363
527 0.37867122888565063
528 0.37791767716407776
529 0.3771663308143616
530 0.3764175772666931
531 0.3756713569164276
532 0.3749275207519531
533 0.3741862177848816
534 0.37344735860824585
535 0.3727108836174011
536 0.37197694182395935
537 0.37124574184417725
538 0.37051692605018616
539 0.3697904646396637
540 0.36906641721725464
541 0.3683447241783142
542 0.36762523651123047
543 0.36690813302993774
544 0.3661934733390808
545 0.36548087000846863
546 0.3647707402706146
547 0.3640628755092621
548 0.36335721611976624
549 0.36265382170677185
550 0.3619528114795685
551 0.3612537384033203
552 0.3605571687221527
553 0.3598625659942627
554 0.35917040705680847
555 0.3584803342819214
556 0.35779252648353577
557 0.3571068048477173
558 0.35642334818840027
559 0.3557418882846832
560 0.35506269335746765
561 0.35438546538352966
562 0.353710412979126
563 0.3530370891094208
564 0.35236597061157227
565 0.3516969680786133
566 0.3510299623012543
567 0.35036501288414
568 0.34970200061798096
569 0.3490402102470398
570 0.34838053584098816
571 0.3477229177951813
572 0.34706732630729675
573 0.34641364216804504
574 0.34576213359832764
575 0.34511247277259827
576 0.3444649577140808
577 0.34381937980651855
578 0.34317582845687866
579 0.34253424406051636
580 0.3418945372104645
581 0.34125688672065735
582 0.3406212031841278
583 0.3399873375892639
584 0.3393557071685791
585 0.338725745677948
586 0.3380976617336273
587 0.33747154474258423
588 0.33684736490249634
589 0.3362250328063965
590 0.3356045186519623
591 0.33498600125312805
592 0.3343692123889923
593 0.33375415205955505
594 0.33314049243927
595 0.33252862095832825
596 0.3319186568260193
597 0.3313103914260864
598 0.3307040333747864
599 0.3300994634628296
600 0.32949671149253845
601 0.32889577746391296
602 0.3282965123653412
603 0.32769909501075745
604 0.32710346579551697
605 0.3265095353126526
606 0.32591742277145386
607 0.3253268897533417
608 0.3247380256652832
609 0.3241502046585083
610 0.32356417179107666
611 0.32297977805137634
612 0.3223971426486969
613 0.3218162953853607
614 0.3212369978427887
615 0.3206595480442047
616 0.32008370757102966
617 0.3195095658302307
618 0.3189369738101959
619 0.318366140127182
620 0.3177970349788666
621 0.31722941994667053
622 0.316663533449173
623 0.3160993456840515
624 0.31553658843040466
625 0.3149755597114563
626 0.3144153654575348
627 0.3138548731803894
628 0.3132960796356201
629 0.312738835811615
630 0.312183141708374
631 0.31162911653518677
632 0.31107667088508606
633 0.31052571535110474
634 0.30997610092163086
635 0.30942797660827637
636 0.3088814616203308
637 0.3083364963531494
638 0.30779314041137695
639 0.3072512745857239
640 0.3067108690738678
641 0.30617210268974304
642 0.3056347668170929
643 0.3050990104675293
644 0.3045649230480194
645 0.3040320575237274
646 0.30350086092948914
647 0.30297088623046875
648 0.3024422526359558
649 0.30191442370414734
650 0.30138808488845825
651 0.30086323618888855
652 0.30033981800079346
653 0.299817830324173
654 0.29929739236831665
655 0.29877838492393494
656 0.29826080799102783
657 0.2977446913719177
658 0.29722997546195984
659 0.2967166602611542
660 0.2962048351764679
661 0.29569441080093384
662 0.295185387134552
663 0.2946777641773224
664 0.2941715717315674
665 0.29366669058799744
666 0.29316312074661255
667 0.29266107082366943
668 0.29216039180755615
669 0.29166102409362793
670 0.29116299748420715
671 0.290666401386261
672 0.2901711165904999
673 0.2896771728992462
674 0.2891846001148224
675 0.2886933982372284
676 0.28820356726646423
677 0.28771504759788513
678 0.2872277796268463
679 0.28674182295799255
680 0.28625720739364624
681 0.285773903131485
682 0.2852921485900879
683 0.2848118543624878
684 0.2843327522277832
685 0.2838551998138428
686 0.28337860107421875
687 0.28290292620658875
688 0.28242799639701843
689 0.2819541394710541
690 0.28148168325424194
691 0.2810104191303253
692 0.28054022789001465
693 0.2800716459751129
694 0.2796040177345276
695 0.2791377305984497
696 0.2786727845668793
697 0.2782088816165924
698 0.2777462303638458
699 0.27728477120399475
700 0.2768246531486511
701 0.2763655483722687
702 0.2759076952934265
703 0.27545082569122314
704 0.2749953269958496
705 0.2745409905910492
706 0.2740877866744995
707 0.2736358940601349
708 0.27318498492240906
709 0.27273547649383545
710 0.27228716015815735
711 0.2718399167060852
712 0.2713938057422638
713 0.2709488272666931
714 0.27050501108169556
715 0.27006229758262634
716 0.26962071657180786
717 0.2691802978515625
718 0.26874107122421265
719 0.268302857875824
720 0.26786598563194275
721 0.2674299478530884
722 0.26699501276016235
723 0.2665612995624542
724 0.26612868905067444
725 0.2656972110271454
726 0.2652667760848999
727 0.2648375630378723
728 0.26440927386283875
729 0.263982355594635
730 0.2635563313961029
731 0.26313140988349915
732 0.26270776987075806
733 0.2622849643230438
734 0.2618633508682251
735 0.2614428400993347
736 0.26102331280708313
737 0.26060497760772705
738 0.26018744707107544
739 0.25977039337158203
740 0.2593544125556946
741 0.2589395344257355
742 0.2585256099700928
743 0.2581128776073456
744 0.25770118832588196
745 0.257290780544281
746 0.25688138604164124
747 0.25647300481796265
748 0.2560657560825348
749 0.2556595504283905
750 0.2552543580532074
751 0.25485020875930786
752 0.25444698333740234
753 0.25404489040374756
754 0.2536437511444092
755 0.2532435953617096
756 0.2528444826602936
757 0.25244635343551636
758 0.2520492374897003
759 0.2516530752182007
760 0.25125786662101746
761 0.2508637309074402
762 0.25047051906585693
763 0.2500782907009125
764 0.2496870458126068
765 0.24929681420326233
766 0.24890746176242828
767 0.2485191524028778
768 0.24813173711299896
769 0.24774526059627533
770 0.24735982716083527
771 0.24697533249855042
772 0.2465917468070984
773 0.24620908498764038
774 0.24582739174365997
775 0.24544666707515717
776 0.24506676197052002
777 0.24468792974948883
778 0.24431000649929047
779 0.24393302202224731
780 0.2435569167137146
781 0.2431817650794983
782 0.24280714988708496
783 0.2424321323633194
784 0.24205803871154785
785 0.24168488383293152
786 0.241312637925148
787 0.24094131588935852
788 0.2405707836151123
789 0.24020111560821533
790 0.23983235657215118
791 0.23946447670459747
792 0.2390974760055542
793 0.23873141407966614
794 0.23836618661880493
795 0.23800188302993774
796 0.2376384139060974
797 0.2372758835554123
798 0.23691418766975403
799 0.23655343055725098
800 0.23619335889816284
801 0.23583398759365082
802 0.23547561466693878
803 0.2351180762052536
804 0.23476144671440125
805 0.23440562188625336
806 0.2340506911277771
807 0.2336966097354889
808 0.23334330320358276
809 0.23299092054367065
810 0.23263929784297943
811 0.23228861391544342
812 0.23193864524364471
813 0.23158957064151764
814 0.2312413603067398
815 0.23089389503002167
816 0.2305472046136856
817 0.23020081222057343
818 0.22985512018203735
819 0.2295103222131729
820 0.2291664332151413
821 0.22882342338562012
822 0.2284812480211258
823 0.22813984751701355
824 0.22779929637908936
825 0.22745954990386963
826 0.22712060809135437
827 0.22678242623806
828 0.2264450341463089
829 0.22610844671726227
830 0.2257726937532425
831 0.22543774545192719
832 0.22510360181331635
833 0.22477015852928162
834 0.22443754971027374
835 0.22410567104816437
836 0.22377459704875946
837 0.22344429790973663
838 0.2231147140264511
839 0.22278596460819244
840 0.22245793044567108
841 0.2221306562423706
842 0.2218042016029358
843 0.22147847712039948
844 0.22115345299243927
845 0.2208293080329895
846 0.22050583362579346
847 0.22018328309059143
848 0.2198614776134491
849 0.21954035758972168
850 0.21922007203102112
851 0.21890050172805786
852 0.2185816466808319
853 0.21826350688934326
854 0.2179461419582367
855 0.21762950718402863
856 0.2173135131597519
857 0.21699830889701843
858 0.21668371558189392
859 0.21636976301670074
860 0.2160564661026001
861 0.21574383974075317
862 0.2154320776462555
863 0.21512089669704437
864 0.21481050550937653
865 0.2145007699728012
866 0.2141917645931244
867 0.2138834446668625
868 0.2135758399963379
869 0.21326890587806702
870 0.21296268701553345
871 0.2126571536064148
872 0.21235229074954987
873 0.21204814314842224
874 0.21174462139606476
875 0.21144187450408936
876 0.21113982796669006
877 0.21083839237689972
878 0.2105376124382019
879 0.2102375030517578
880 0.20993809401988983
881 0.20963941514492035
882 0.2093413919210434
883 0.209043949842453
884 0.20874719321727753
885 0.20845113694667816
886 0.2081557810306549
887 0.20786099135875702
888 0.20756688714027405
889 0.2072734236717224
890 0.20698067545890808
891 0.206688791513443
892 0.2063976228237152
893 0.20610706508159637
894 0.20581713318824768
895 0.20552785694599152
896 0.2052392065525055
897 0.2049512267112732
898 0.20466385781764984
899 0.20437712967395782
900 0.20409105718135834
901 0.2038055807352066
902 0.203520730137825
903 0.20323652029037476
904 0.20295295119285583
905 0.20266996324062347
906 0.20238761603832245
907 0.2021058350801468
908 0.20182473957538605
909 0.20154424011707306
910 0.20126426219940186
911 0.20098499953746796
912 0.20070627331733704
913 0.20042823255062103
914 0.20015071332454681
915 0.19987383484840393
916 0.1995975524187088
917 0.1993219256401062
918 0.19904685020446777
919 0.1987723708152771
920 0.19849847257137299
921 0.198225200176239
922 0.1979524940252304
923 0.19768035411834717
924 0.19740886986255646
925 0.19713793694972992
926 0.19686803221702576
927 0.19659921526908875
928 0.19633109867572784
929 0.19606339931488037
930 0.19579637050628662
931 0.19552987813949585
932 0.19526398181915283
933 0.1949986219406128
934 0.1947338581085205
935 0.1944696456193924
936 0.19420598447322845
937 0.19394290447235107
938 0.19368033111095428
939 0.19341830909252167
940 0.1931568831205368
941 0.1928960531949997
942 0.19263578951358795
943 0.19237612187862396
944 0.19211700558662415
945 0.19185851514339447
946 0.19160042703151703
947 0.19134299457073212
948 0.1910860240459442
949 0.19082963466644287
950 0.1905737668275833
951 0.19031842052936554
952 0.19006362557411194
953 0.18980936706066132
954 0.18955565989017487
955 0.18930241465568542
956 0.18904975056648254
957 0.18879757821559906
958 0.18854588270187378
959 0.18829473853111267
960 0.18804407119750977
961 0.18779391050338745
962 0.18754436075687408
963 0.187295600771904
964 0.18704718351364136
965 0.18679922819137573
966 0.18655185401439667
967 0.1863049566745758
968 0.18605859577655792
969 0.18581271171569824
970 0.18556730449199677
971 0.18532252311706543
972 0.18507833778858185
973 0.18483464419841766
974 0.18459144234657288
975 0.18434876203536987
976 0.18410657346248627
977 0.18386483192443848
978 0.18362365663051605
979 0.18338292837142944
980 0.18314272165298462
981 0.182902991771698
982 0.18266382813453674
983 0.1824250966310501
984 0.18218687176704407
985 0.1819491684436798
986 0.18171188235282898
987 0.18147514760494232
988 0.1812387853860855
989 0.18100300431251526
990 0.18076765537261963
991 0.1805328130722046
992 0.18029844760894775
993 0.18006452918052673
994 0.17983104288578033
995 0.1795981228351593
996 0.17936556041240692
997 0.1791335493326187
998 0.17890198528766632
999 0.17867091298103333
1000 0.17844027280807495
1001 0.17821010947227478
1002 0.17798036336898804
1003 0.17775122821331024
1004 0.17752258479595184
1005 0.17729438841342926
1006 0.17706671357154846
1007 0.1768394112586975
1008 0.17661258578300476
1009 0.17638623714447021
1010 0.1761602908372879
1011 0.175934836268425
1012 0.1757097989320755
1013 0.1754852533340454
1014 0.17526109516620636
1015 0.17503735423088074
1016 0.1748141199350357
1017 0.1745913177728653
1018 0.1743689626455307
1019 0.17414706945419312
1020 0.17392563819885254
1021 0.17370463907718658
1022 0.17348413169384003
1023 0.17326393723487854
1024 0.17304421961307526
1025 0.17282505333423615
1026 0.17260615527629852
1027 0.1723877340555191
1028 0.1721697598695755
1029 0.1719522327184677
1030 0.17173504829406738
1031 0.17151843011379242
1032 0.1713021695613861
1033 0.17108628153800964
1034 0.1708708554506302
1035 0.17065584659576416
1036 0.17044125497341156
1037 0.17022709548473358
1038 0.17001330852508545
1039 0.1698000133037567
1040 0.16958706080913544
1041 0.16937461495399475
1042 0.16916249692440033
1043 0.16895075142383575
1044 0.16873957216739655
1045 0.16852864623069763
1046 0.1683182269334793
1047 0.16810812056064606
1048 0.167898491024971
1049 0.1676892787218094
1050 0.16748040914535522
1051 0.16727200150489807
1052 0.167063906788826
1053 0.1668563187122345
1054 0.16664905846118927
1055 0.16644226014614105
1056 0.1662357896566391
1057 0.16602975130081177
1058 0.16582410037517548
1059 0.165618896484375
1060 0.1654140204191208
1061 0.1652095466852188
1062 0.16500544548034668
1063 0.16480176150798798
1064 0.16459845006465912
1065 0.16439560055732727
1066 0.1641930788755417
1067 0.16399094462394714
1068 0.16378919780254364
1069 0.16358785331249237
1070 0.16338680684566498
1071 0.1631862372159958
1072 0.16298598051071167
1073 0.16278617084026337
1074 0.16258670389652252
1075 0.16238759458065033
1076 0.16218891739845276
1077 0.16199055314064026
1078 0.1617925763130188
1079 0.16159503161907196
1080 0.1613977998495102
1081 0.16120091080665588
1082 0.16100440919399261
1083 0.16080829501152039
1084 0.16061246395111084
1085 0.1604166328907013
1086 0.16022120416164398
1087 0.1600261628627777
1088 0.15983138978481293
1089 0.15963706374168396
1090 0.15944314002990723
1091 0.1592494547367096
1092 0.15905626118183136
1093 0.15886341035366058
1094 0.15867087244987488
1095 0.15847866237163544
1096 0.1582869440317154
1097 0.15809547901153564
1098 0.15790443122386932
1099 0.15771366655826569
1100 0.15752333402633667
1101 0.15733331441879272
1102 0.157143697142601
1103 0.15695440769195557
1104 0.1567654311656952
1105 0.15657684206962585
1106 0.15638858079910278
1107 0.15620073676109314
1108 0.15601316094398499
1109 0.15582597255706787
1110 0.1556389033794403
1111 0.1554522067308426
1112 0.15526588261127472
1113 0.15507985651493073
1114 0.1548941731452942
1115 0.15470890700817108
1116 0.15452396869659424
1117 0.15433931350708008
1118 0.15415504574775696
1119 0.15397107601165771
1120 0.1537875086069107
1121 0.15360425412654877
1122 0.1534212827682495
1123 0.15323872864246368
1124 0.15305647253990173
1125 0.15287454426288605
1126 0.15269294381141663
1127 0.15251168608665466
1128 0.15233080089092255
1129 0.1521502286195755
1130 0.15196996927261353
1131 0.15179002285003662
1132 0.15161044895648956
1133 0.1514311581850052
1134 0.15125229954719543
1135 0.1510736644268036
1136 0.1508954018354416
1137 0.15071742236614227
1138 0.1505398452281952
1139 0.1503625214099884
1140 0.15018555521965027
1141 0.15000887215137482
1142 0.1498325765132904
1143 0.1496565043926239
1144 0.14948081970214844
1145 0.14930547773838043
1146 0.1491304337978363
1147 0.14895570278167725
1148 0.14878123998641968
1149 0.14860711991786957
1150 0.14843332767486572
1151 0.14825992286205292
1152 0.14808668196201324
1153 0.14791381359100342
1154 0.14774130284786224
1155 0.14756906032562256
1156 0.14739717543125153
1157 0.1472255438566208
1158 0.1470542550086975
1159 0.1468832641839981
1160 0.1467125117778778
1161 0.14654211699962616
1162 0.1463719755411148
1163 0.14620213210582733
1164 0.14603258669376373
1165 0.1458633542060852
1166 0.14569441974163055
1167 0.14552582800388336
1168 0.14535748958587646
1169 0.14518944919109344
1170 0.14502178132534027
1171 0.1448543220758438
1172 0.1446872353553772
1173 0.14452041685581207
1174 0.14435391128063202
1175 0.14418786764144897
1176 0.14402209222316742
1177 0.14385661482810974
1178 0.14369145035743713
1179 0.14352655410766602
1180 0.14336198568344116
1181 0.14319771528244019
1182 0.1430336982011795
1183 0.1428699493408203
1184 0.1427065134048462
1185 0.14254343509674072
1186 0.14238065481185913
1187 0.14221802353858948
1188 0.1420557200908661
1189 0.14189375936985016
1190 0.14173205196857452
1191 0.14157067239284515
1192 0.1414095163345337
1193 0.1412486582994461
1194 0.1410880982875824
1195 0.14092782139778137
1196 0.14076772332191467
1197 0.14060793817043304
1198 0.1404484063386917
1199 0.14028921723365784
1200 0.14013022184371948
1201 0.13997159898281097
1202 0.1398131549358368
1203 0.1396550089120865
1204 0.13949717581272125
1205 0.1393395960330963
1206 0.13918231427669525
1207 0.13902528584003448
1208 0.1388685405254364
1209 0.1387120485305786
1210 0.1385558396577835
1211 0.1383998841047287
1212 0.13824424147605896
1213 0.13808883726596832
1214 0.13793377578258514
1215 0.1377788931131363
1216 0.13762430846691132
1217 0.13746996223926544
1218 0.13731595873832703
1219 0.13716216385364532
1220 0.1370086520910263
1221 0.1368553787469864
1222 0.13670241832733154
1223 0.13654965162277222
1224 0.13639724254608154
1225 0.13624504208564758
1226 0.13609308004379272
1227 0.13594146072864532
1228 0.13579006493091583
1229 0.13563887774944305
1230 0.13548794388771057
1231 0.13533736765384674
1232 0.135187029838562
1233 0.13503684103488922
1234 0.13488703966140747
1235 0.13473738729953766
1236 0.1345881074666977
1237 0.13443899154663086
1238 0.1342901587486267
1239 0.13414162397384644
1240 0.1339932531118393
1241 0.13384521007537842
1242 0.13369734585285187
1243 0.13354985415935516
1244 0.1334024965763092
1245 0.13325542211532593
1246 0.13310864567756653
1247 0.13296210765838623
1248 0.13281574845314026
1249 0.13266970217227936
1250 0.13252387940883636
1251 0.13237830996513367
1252 0.13223296403884888
1253 0.13208791613578796
1254 0.13194309175014496
1255 0.13179850578308105
1256 0.13165414333343506
1257 0.13151007890701294
1258 0.13136617839336395
1259 0.13122263550758362
1260 0.13107924163341522
1261 0.13093607127666473
1262 0.1307932287454605
1263 0.1306505799293518
1264 0.1305081695318222
1265 0.1303660124540329
1266 0.13022403419017792
1267 0.1300821751356125
1268 0.12994055449962616
1269 0.12979915738105774
1270 0.12965798377990723
1271 0.1295170783996582
1272 0.1293763667345047
1273 0.12923593819141388
1274 0.12909570336341858
1275 0.12895573675632477
1276 0.12881596386432648
1277 0.12867645919322968
1278 0.12853717803955078
1279 0.1283981204032898
1280 0.1282593309879303
1281 0.12812073528766632
1282 0.12798242270946503
1283 0.12784431874752045
1284 0.1277063935995102
1285 0.127568781375885
1286 0.12743127346038818
1287 0.12729410827159882
1288 0.12715716660022736
1289 0.12702038884162903
1290 0.12688389420509338
1291 0.12674753367900848
1292 0.12661126255989075
1293 0.12647520005702972
1294 0.126339390873909
1295 0.12620379030704498
1296 0.12606842815876007
1297 0.12593327462673187
1298 0.12579837441444397
1299 0.1256636679172516
1300 0.1255291998386383
1301 0.12539489567279816
1302 0.12526090443134308
1303 0.12512709200382233
1304 0.12499348819255829
1305 0.12486009299755096
1306 0.12472695857286453
1307 0.12459396570920944
1308 0.12446130067110062
1309 0.12432881444692612
1310 0.12419652938842773
1311 0.12406444549560547
1312 0.12393259257078171
1313 0.12380097061395645
1314 0.1236695647239685
1315 0.12353835999965668
1316 0.12340737134218216
1317 0.12327660620212555
1318 0.12314607203006744
1319 0.12301567196846008
1320 0.12288554757833481
1321 0.12275562435388565
1322 0.12262595444917679
1323 0.12249641120433807
1324 0.12236712127923965
1325 0.12223801761865616
1326 0.12210913002490997
1327 0.12198052555322647
1328 0.12185252457857132
1329 0.12172474712133408
1330 0.12159716337919235
1331 0.12146978825330734
1332 0.12134263664484024
1333 0.12121567130088806
1334 0.1210889145731926
1335 0.12096235901117325
1336 0.12083601206541061
1337 0.1207098588347435
1338 0.1205839142203331
1339 0.12045816332101822
1340 0.12033262848854065
1341 0.1202072948217392
1342 0.12008214741945267
1343 0.11995719373226166
1344 0.11983244866132736
1345 0.11970794200897217
1346 0.11958358436822891
1347 0.11945943534374237
1348 0.11933547258377075
1349 0.11921171098947525
1350 0.11908816546201706
1351 0.1189647987484932
1352 0.11884165555238724
1353 0.11871868371963501
1354 0.11859589070081711
1355 0.11847332864999771
1356 0.11835097521543503
1357 0.11822876334190369
1358 0.11810675263404846
1359 0.11798498779535294
1360 0.11786338686943054
1361 0.11774194985628128
1362 0.11762074381113052
1363 0.11749971657991409
1364 0.11737888306379318
1365 0.11725825071334839
1366 0.11713778227567673
1367 0.11701751500368118
1368 0.11689744144678116
1369 0.11677756160497665
1370 0.11665784567594528
1371 0.11653835326433182
1372 0.11641902476549149
1373 0.11629988998174667
1374 0.11618093401193619
1375 0.11606216430664062
1376 0.11594359576702118
1377 0.11582519859075546
1378 0.11570696532726288
1379 0.11558897793292999
1380 0.11547113955020905
1381 0.11535345762968063
1382 0.11523600667715073
1383 0.11511873453855515
1384 0.1150016337633133
1385 0.11488468945026398
1386 0.11476796865463257
1387 0.11465141922235489
1388 0.11453505605459213
1389 0.11441881954669952
1390 0.11430282145738602
1391 0.11418697983026505
1392 0.11407133936882019
1393 0.11395584791898727
1394 0.11384056508541107
1395 0.1137254610657692
1396 0.11361052095890045
1397 0.11349573731422424
1398 0.11338115483522415
1399 0.11326676607131958
1400 0.11315250396728516
1401 0.11303848028182983
1402 0.11292459815740585
1403 0.1128108948469162
1404 0.11269736289978027
1405 0.11258402466773987
1406 0.11247087270021439
1407 0.11235783249139786
1408 0.11224502325057983
1409 0.11213236302137375
1410 0.11201989650726318
1411 0.11190757155418396
1412 0.11179544776678085
1413 0.11168348044157028
1414 0.11157166957855225
1415 0.11146008223295212
1416 0.11134861409664154
1417 0.11123731732368469
1418 0.11112622171640396
1419 0.11101529002189636
1420 0.1109045073390007
1421 0.11079391092061996
1422 0.11068347096443176
1423 0.11057321727275848
1424 0.11046311259269714
1425 0.11035320907831192
1426 0.11024343967437744
1427 0.1101338341832161
1428 0.11002441495656967
1429 0.10991514474153519
1430 0.10980602353811264
1431 0.10969708114862442
1432 0.10958831012248993
1433 0.10947973281145096
1434 0.10937126725912094
1435 0.10926298052072525
1436 0.10915490984916687
1437 0.10904694348573685
1438 0.10893915593624115
1439 0.10883153229951859
1440 0.10872406512498856
1441 0.10861678421497345
1442 0.10850962996482849
1443 0.10840266942977905
1444 0.10829587280750275
1445 0.1081891879439354
1446 0.10808269679546356
1447 0.10797636210918427
1448 0.1078702062368393
1449 0.10776418447494507
1450 0.10765834152698517
1451 0.10755262523889542
1452 0.10744712501764297
1453 0.1073417216539383
1454 0.10723649710416794
1455 0.10713144391775131
1456 0.10702652484178543
1457 0.10692178457975388
1458 0.10681717842817307
1459 0.10671275109052658
1460 0.10660844296216965
1461 0.10650433599948883
1462 0.10640034079551697
1463 0.10629652440547943
1464 0.10619286447763443
1465 0.10608939081430435
1466 0.10598602145910263
1467 0.10588280111551285
1468 0.1057797446846962
1469 0.10567683726549149
1470 0.10557413101196289
1471 0.10547152161598206
1472 0.10536909848451614
1473 0.10526682436466217
1474 0.10516467690467834
1475 0.10506269335746765
1476 0.10496088862419128
1477 0.10485922545194626
1478 0.10475768148899078
1479 0.10465629398822784
1480 0.10455509275197983
1481 0.10445396602153778
1482 0.10435308516025543
1483 0.10425227880477905
1484 0.1041516438126564
1485 0.10405115783214569
1486 0.10395081341266632
1487 0.10385064035654068
1488 0.10375059396028519
1489 0.10365073382854462
1490 0.10355096310377121
1491 0.10345136374235153
1492 0.10335192829370499
1493 0.1032525897026062
1494 0.10315343737602234
1495 0.10305443406105042
1496 0.10295553505420685
1497 0.10285680741071701
1498 0.10275823622941971
1499 0.10265979170799255
1500 0.10256149619817734
1501 0.10246330499649048
1502 0.10236532986164093
1503 0.10226747393608093
1504 0.10216976702213287
1505 0.10207217931747437
1506 0.1019747331738472
1507 0.10187742859125137
1508 0.10178026556968689
1509 0.10168324410915375
1510 0.10158638656139374
1511 0.10148965567350388
1512 0.10139306634664536
1513 0.10129660367965698
1514 0.10120029747486115
1515 0.10110414773225784
1516 0.10100807249546051
1517 0.1009121909737587
1518 0.10081644356250763
1519 0.10072082281112671
1520 0.10062536597251892
1521 0.10053001344203949
1522 0.1004347950220108
1523 0.10033977031707764
1524 0.10024480521678925
1525 0.10015002638101578
1526 0.10005535930395126
1527 0.09996084123849869
1528 0.09986648708581924
1529 0.09977219998836517
1530 0.09967811405658722
1531 0.09958413988351822
1532 0.09949029982089996
1533 0.09939657896757126
1534 0.09930300712585449
1535 0.09920957684516907
1536 0.0991162657737732
1537 0.09902310371398926
1538 0.09893004596233368
1539 0.09883716702461243
1540 0.09874437749385834
1541 0.09865174442529678
1542 0.09855923056602478
1543 0.09846687316894531
1544 0.0983746200799942
1545 0.09828250110149384
1546 0.09819051623344421
1547 0.09809868782758713
1548 0.0980069488286972
1549 0.09791538864374161
1550 0.09782389551401138
1551 0.09773258119821548
1552 0.09764137864112854
1553 0.09755028784275055
1554 0.0974591001868248
1555 0.09736804664134979
1556 0.09727711230516434
1557 0.09718629717826843
1558 0.09709559381008148
1559 0.09700504690408707
1560 0.09691460430622101
1561 0.09682430326938629
1562 0.09673413634300232
1563 0.0966440811753273
1564 0.09655417501926422
1565 0.0964643657207489
1566 0.09637469798326492
1567 0.0962851494550705
1568 0.09619574248790741
1569 0.09610645473003387
1570 0.09601729363203049
1571 0.09592825174331665
1572 0.09583933651447296
1573 0.09575054049491882
1574 0.09566189348697662
1575 0.09557335078716278
1576 0.09548492729663849
1577 0.09539663791656494
1578 0.09530849009752274
1579 0.09522047638893127
1580 0.09513253718614578
1581 0.09504476934671402
1582 0.09495709091424942
1583 0.09486954659223557
1584 0.09478212147951126
1585 0.0946948304772377
1586 0.09460766613483429
1587 0.09452063590288162
1588 0.09443371742963791
1589 0.09434691816568375
1590 0.09426026791334152
1591 0.09417371451854706
1592 0.09408729523420334
1593 0.09400097280740738
1594 0.09391479194164276
1595 0.0938287153840065
1596 0.09374275803565979
1597 0.09365694224834442
1598 0.093571238219738
1599 0.09348564594984055
1600 0.09340017288923264
1601 0.09331483393907547
1602 0.09322958439588547
1603 0.0931444764137268
1604 0.0930594950914383
1605 0.09297464042901993
1606 0.0928899273276329
1607 0.09280525892972946
1608 0.09272079914808273
1609 0.09263638406991959
1610 0.09255212545394897
1611 0.09246794879436493
1612 0.09238392114639282
1613 0.09229998290538788
1614 0.09221617132425308
1615 0.09213250130414963
1616 0.09204889833927155
1617 0.09196547418832779
1618 0.09188210219144821
1619 0.09179888665676117
1620 0.0917157530784607
1621 0.09163274616003036
1622 0.0915498435497284
1623 0.09146708250045776
1624 0.0913844108581543
1625 0.09130187332630157
1626 0.0912194475531578
1627 0.09113714098930359
1628 0.09105493128299713
1629 0.09097281843423843
1630 0.09089084714651108
1631 0.09080890566110611
1632 0.09072693437337875
1633 0.09064508974552155
1634 0.0905633419752121
1635 0.090481698513031
1636 0.09040015935897827
1637 0.09031878411769867
1638 0.09023749083280563
1639 0.09015630930662155
1640 0.09007523208856583
1641 0.08999425172805786
1642 0.08991342037916183
1643 0.08983268588781357
1644 0.08975204080343246
1645 0.08967151492834091
1646 0.08959110826253891
1647 0.08951077610254288
1648 0.08943060040473938
1649 0.08935051411390305
1650 0.08927052468061447
1651 0.08919064700603485
1652 0.08911088854074478
1653 0.08903125673532486
1654 0.08895169943571091
1655 0.0888722613453865
1656 0.08879294991493225
1657 0.08871372789144516
1658 0.08863460272550583
1659 0.08855560421943665
1660 0.08847669512033463
1661 0.08839784562587738
1662 0.08831913769245148
1663 0.08824051171541214
1664 0.08816199749708176
1665 0.08808359503746033
1666 0.08800531923770905
1667 0.08792711049318314
1668 0.08784902840852737
1669 0.08777104318141937
1670 0.08769319206476212
1671 0.0876154825091362
1672 0.08753781020641327
1673 0.08746029436588287
1674 0.08738285303115845
1675 0.08730556815862656
1676 0.08722832798957825
1677 0.0871511921286583
1678 0.08707418292760849
1679 0.08699724823236465
1680 0.08692044764757156
1681 0.08684378862380981
1682 0.08676714450120926
1683 0.08669066429138184
1684 0.08661424368619919
1685 0.08653797209262848
1686 0.08646176755428314
1687 0.08638568967580795
1688 0.08630971610546112
1689 0.08623381704092026
1690 0.08615804463624954
1691 0.0860823318362236
1692 0.086006760597229
1693 0.08593124151229858
1694 0.08585585653781891
1695 0.085780568420887
1696 0.08570535480976105
1697 0.08563025295734406
1698 0.08555526286363602
1699 0.08548037707805634
1700 0.08540556579828262
1701 0.08533086627721786
1702 0.08525626361370087
1703 0.08518175780773163
1704 0.08510735630989075
1705 0.08503304421901703
1706 0.08495887368917465
1707 0.08488474786281586
1708 0.08481074124574661
1709 0.08473682403564453
1710 0.084663026034832
1711 0.08458928018808365
1712 0.08451566845178604
1713 0.0844421461224556
1714 0.08436871320009232
1715 0.084295354783535
1716 0.08422215282917023
1717 0.08414900302886963
1718 0.08407595008611679
1719 0.0840030089020729
1720 0.08393016457557678
1721 0.08385739475488663
1722 0.08378473669290543
1723 0.08371218293905258
1724 0.08363966643810272
1725 0.0835673063993454
1726 0.08349502831697464
1727 0.08342280983924866
1728 0.08335065841674805
1729 0.08327868580818176
1730 0.08320675045251846
1731 0.08313492685556412
1732 0.08306317776441574
1733 0.08299154788255692
1734 0.08291999995708466
1735 0.08284854888916016
1736 0.08277717232704163
1737 0.08270590752363205
1738 0.08263473212718964
1739 0.08256365358829498
1740 0.0824926570057869
1741 0.08242180198431015
1742 0.08235099911689758
1743 0.08228025585412979
1744 0.08220963925123215
1745 0.08213911205530167
1746 0.08206868916749954
1747 0.0819983184337616
1748 0.0819280818104744
1749 0.08185790479183197
1750 0.0817878395318985
1751 0.08171787112951279
1752 0.08164796978235245
1753 0.08157817274332047
1754 0.08150846511125565
1755 0.08143884688615799
1756 0.08136928826570511
1757 0.08129972964525223
1758 0.0812302827835083
1759 0.08116088807582855
1760 0.08109156787395477
1761 0.08102238178253174
1762 0.08095327764749527
1763 0.08088422566652298
1764 0.08081533014774323
1765 0.08074649423360825
1766 0.08067770302295685
1767 0.08060906082391739
1768 0.0805404856801033
1769 0.08047199249267578
1770 0.08040358871221542
1771 0.08033527433872223
1772 0.0802670419216156
1773 0.08019893616437912
1774 0.08013089001178741
1775 0.08006291836500168
1776 0.0799950510263443
1777 0.07992725819349289
1778 0.07985953986644745
1779 0.07979193329811096
1780 0.07972441613674164
1781 0.07965697348117828
1782 0.07958962023258209
1783 0.07952237874269485
1784 0.0794551819562912
1785 0.0793880894780159
1786 0.07932109385728836
1787 0.07925417274236679
1788 0.07918731123209
1789 0.07912059128284454
1790 0.07905389368534088
1791 0.07898733764886856
1792 0.07892082631587982
1793 0.07885441929101944
1794 0.07878809422254562
1795 0.07872184365987778
1796 0.07865568995475769
1797 0.07858961075544357
1798 0.07852363586425781
1799 0.07845771312713623
1800 0.0783919095993042
1801 0.07832615822553635
1802 0.07826051861047745
1803 0.07819492369890213
1804 0.07812945544719696
1805 0.07806403934955597
1806 0.07799869775772095
1807 0.07793348282575607
1808 0.07786831259727478
1809 0.07780326902866364
1810 0.07773824036121368
1811 0.07767333835363388
1812 0.07760851085186005
1813 0.07754376530647278
1814 0.07747910171747208
1815 0.07741452008485794
1816 0.07735003530979156
1817 0.07728560268878937
1818 0.07722128182649612
1819 0.07715706527233124
1820 0.07709291577339172
1821 0.07702881842851639
1822 0.07696482539176941
1823 0.0769009068608284
1824 0.07683706283569336
1825 0.07677330821752548
1826 0.07670962810516357
1827 0.07664602249860764
1828 0.07658252120018005
1829 0.07651905715465546
1830 0.07645576447248459
1831 0.07639254629611969
1832 0.07632942497730255
1833 0.07626636326313019
1834 0.0762033686041832
1835 0.07614046335220337
1836 0.07607761770486832
1837 0.07601486146450043
1838 0.07595221698284149
1839 0.07588960975408554
1840 0.07582708448171616
1841 0.07576467096805573
1842 0.07570230215787888
1843 0.07564002275466919
1844 0.07557782530784607
1845 0.07551569491624832
1846 0.07545364648103714
1847 0.07539165765047073
1848 0.07532975822687149
1849 0.07526794075965881
1850 0.0752062126994133
1851 0.07514452934265137
1852 0.0750829428434372
1853 0.07502143830060959
1854 0.07496000081300735
1855 0.07489863783121109
1856 0.07483737170696259
1857 0.07477617263793945
1858 0.0747150108218193
1859 0.07465395331382751
1860 0.07459298521280289
1861 0.07453206181526184
1862 0.07447121292352676
1863 0.07441044598817825
1864 0.07434975355863571
1865 0.07428912818431854
1866 0.07422858476638794
1867 0.07416810095310211
1868 0.07410772889852524
1869 0.07404737919569016
1870 0.07398713380098343
1871 0.07392696291208267
1872 0.0738668441772461
1873 0.07380683720111847
1874 0.07374686747789383
1875 0.07368697226047516
1876 0.07362718135118484
1877 0.07356742024421692
1878 0.07350776344537735
1879 0.07344818860292435
1880 0.07338867336511612
1881 0.07332924008369446
1882 0.07326986640691757
1883 0.07321056723594666
1884 0.0731513574719429
1885 0.07309219986200333
1886 0.0730331540107727
1887 0.07297413051128387
1888 0.07291519641876221
1889 0.0728563442826271
1890 0.07279753684997559
1891 0.07273881882429123
1892 0.07268017530441284
1893 0.07262159138917923
1894 0.07256310433149338
1895 0.07250466197729111
1896 0.0724463015794754
1897 0.07238800078630447
1898 0.07232978194952011
1899 0.07227162271738052
1900 0.07221353054046631
1901 0.07215555757284164
1902 0.07209757715463638
1903 0.07203973084688187
1904 0.07198192179203033
1905 0.07192417979240417
1906 0.07186652719974518
1907 0.07180892676115036
1908 0.07175140082836151
1909 0.07169394195079803
1910 0.07163655757904053
1911 0.07157924771308899
1912 0.07152201980352402
1913 0.07146485149860382
1914 0.07140778005123138
1915 0.07135072350502014
1916 0.07129377871751785
1917 0.07123686373233795
1918 0.071180060505867
1919 0.07112328708171844
1920 0.07106661051511765
1921 0.07100997120141983
1922 0.07095342129468918
1923 0.0708969458937645
1924 0.07084052264690399
1925 0.07078415900468826
1926 0.07072789967060089
1927 0.0706716775894165
1928 0.0706155076622963
1929 0.07055944949388504
1930 0.07050342112779617
1931 0.07044748961925507
1932 0.07039161026477814
1933 0.0703357681632042
1934 0.07027990370988846
1935 0.0702241063117981
1936 0.07016836851835251
1937 0.07011271268129349
1938 0.07005712389945984
1939 0.07000158727169037
1940 0.06994611024856567
1941 0.06989070773124695
1942 0.06983539462089539
1943 0.06978011876344681
1944 0.069724902510643
1945 0.06966976821422577
1946 0.06961469352245331
1947 0.06955970078706741
1948 0.0695047453045845
1949 0.06944988667964935
1950 0.06939507275819778
1951 0.0693403109908104
1952 0.06928564608097076
1953 0.0692310482263565
1954 0.06917648762464523
1955 0.06912198662757874
1956 0.0690675750374794
1957 0.06901322305202484
1958 0.06895890831947327
1959 0.06890471279621124
1960 0.06885052472352982
1961 0.06879642605781555
1962 0.06874239444732666
1963 0.06868844479322433
1964 0.0686345174908638
1965 0.06858064979314804
1966 0.06852687150239944
1967 0.06847316026687622
1968 0.06841950118541718
1969 0.06836588680744171
1970 0.06831236183643341
1971 0.06825891137123108
1972 0.06820549070835114
1973 0.06815215945243835
1974 0.06809888780117035
1975 0.06804566830396652
1976 0.06799252331256866
1977 0.06793942302465439
1978 0.06788638979196548
1979 0.06783339381217957
1980 0.067780502140522
1981 0.06772767752408981
1982 0.06767487525939941
1983 0.06762216240167618
1984 0.06756949424743652
1985 0.06751693785190582
1986 0.06746440380811691
1987 0.06741190701723099
1988 0.06735949963331223
1989 0.06730712950229645
1990 0.06725485622882843
1991 0.0672026053071022
1992 0.06715045869350433
1993 0.06709831953048706
1994 0.06704625487327576
1995 0.06699429452419281
1996 0.06694235652685165
1997 0.06689047068357468
1998 0.06683865189552307
1999 0.06678692251443863
2000 0.06673522293567657
2001 0.0666835755109787
2002 0.06663201749324799
2003 0.06658049672842026
2004 0.0665290430188179
2005 0.06647765636444092
2006 0.06642626225948334
2007 0.06637495011091232
2008 0.06632369756698608
2009 0.06627251952886581
2010 0.06622138619422913
2011 0.06617029011249542
2012 0.06611927598714828
2013 0.06606832146644592
2014 0.06601741164922714
2015 0.06596659868955612
2016 0.0659157931804657
2017 0.06586505472660065
2018 0.06581439822912216
2019 0.06576378643512726
2020 0.06571321934461594
2021 0.06566271185874939
2022 0.06561229377985
2023 0.06556190550327301
2024 0.06551158428192139
2025 0.06546132266521454
2026 0.06541110575199127
2027 0.06536094844341278
2028 0.06531085073947906
2029 0.06526082754135132
2030 0.06521083414554596
2031 0.06516091525554657
2032 0.06511103361845016
2033 0.06506123393774033
2034 0.06501150876283646
2035 0.06496177613735199
2036 0.06491214036941528
2037 0.06486254930496216
2038 0.0648130252957344
2039 0.06476354598999023
2040 0.06471412628889084
2041 0.06466478109359741
2042 0.06461548805236816
2043 0.0645662471652031
2044 0.06451703608036041
2045 0.0644678920507431
2046 0.06441880762577057
2047 0.064369797706604
2048 0.06432081758975983
2049 0.06427189707756042
2050 0.0642230361700058
2051 0.06417424976825714
2052 0.06412550061941147
2053 0.06407680362462997
2054 0.06402815878391266
2055 0.06397957354784012
2056 0.06393106281757355
2057 0.06388258188962936
2058 0.06383416801691055
2059 0.06378579139709473
2060 0.06373748183250427
2061 0.0636892318725586
2062 0.0636410191655159
2063 0.06359288841485977
2064 0.06354479491710663
2065 0.06349676102399826
2066 0.06344877183437347
2067 0.06340081989765167
2068 0.06335297226905823
2069 0.06330515444278717
2070 0.06325738877058029
2071 0.0632096603512764
2072 0.06316199898719788
2073 0.06311440467834473
2074 0.06306684017181396
2075 0.06301935762166977
2076 0.06297190487384796
2077 0.06292451173067093
2078 0.06287717819213867
2079 0.0628298968076706
2080 0.06278263032436371
2081 0.06273546814918518
2082 0.06268833577632904
2083 0.06264127045869827
2084 0.06259430199861526
2085 0.06254753470420837
2086 0.06250081211328506
2087 0.062454137951135635
2088 0.062407538294792175
2089 0.0623609684407711
2090 0.06231443211436272
2091 0.06226780638098717
2092 0.062221262603998184
2093 0.06217479333281517
2094 0.062128372490406036
2095 0.06208197399973869
2096 0.062035657465457916
2097 0.06198937073349953
2098 0.06194315478205681
2099 0.061896976083517075
2100 0.061850856989622116
2101 0.06180478632450104
2102 0.061758749186992645
2103 0.061712779104709625
2104 0.06166686490178108
2105 0.06162097305059433
2106 0.061575133353471756
2107 0.06152936443686485
2108 0.06148362159729004
2109 0.061437930911779404
2110 0.06139231100678444
2111 0.06134672835469246
2112 0.06130118668079376
2113 0.061255715787410736
2114 0.0612102672457695
2115 0.06116488203406334
2116 0.06111956387758255
2117 0.06107426434755325
2118 0.06102903187274933
2119 0.06098382547497749
2120 0.06093870475888252
2121 0.060893602669239044
2122 0.060848575085401535
2123 0.060803573578596115
2124 0.06075861304998398
2125 0.0607137456536293
2126 0.060668881982564926
2127 0.06062408164143562
2128 0.0605793334543705
2129 0.06053464487195015
2130 0.06048998609185219
2131 0.0604453943669796
2132 0.060400836169719696
2133 0.06035632640123367
2134 0.060311876237392426
2135 0.06026746332645416
2136 0.060223110020160675
2137 0.06017880514264107
2138 0.06013454124331474
2139 0.0600903294980526
2140 0.060046155005693436
2141 0.06000203266739845
2142 0.059957969933748245
2143 0.059913940727710724
2144 0.05986996367573738
2145 0.05982603877782822
2146 0.059782158583402634
2147 0.05973831191658974
2148 0.059694547206163406
2149 0.05965080112218857
2150 0.05960711091756821
2151 0.05956345796585083
2152 0.059519875794649124
2153 0.05947631597518921
2154 0.059432804584503174
2155 0.059389349073171616
2156 0.05934593454003334
2157 0.059302572160959244
2158 0.05925925821065903
2159 0.05921598896384239
2160 0.05917276069521904
2161 0.05912959203124046
2162 0.059086453169584274
2163 0.05904337391257286
2164 0.05900033563375473
2165 0.05895734205842018
2166 0.05891440063714981
2167 0.05887151136994362
2168 0.05882866308093071
2169 0.05878584831953049
2170 0.05874308571219444
2171 0.05870036408305168
2172 0.0586576908826828
2173 0.05861508101224899
2174 0.05857248976826668
2175 0.05852996185421944
2176 0.05848746746778488
2177 0.0584450401365757
2178 0.058402642607688904
2179 0.058360304683446884
2180 0.05831798538565636
2181 0.058275725692510605
2182 0.05823351442813873
2183 0.05819135159254074
2184 0.05814922973513603
2185 0.058107148855924606
2186 0.05806512385606766
2187 0.05802313610911369
2188 0.05798118934035301
2189 0.057939283549785614
2190 0.057897429913282394
2191 0.05785563215613365
2192 0.057813867926597595
2193 0.057772137224674225
2194 0.05773045867681503
2195 0.05768883228302002
2196 0.057647235691547394
2197 0.05760570615530014
2198 0.05756419524550438
2199 0.057522740215063095
2200 0.057481322437524796
2201 0.05743996053934097
2202 0.05739864334464073
2203 0.057357363402843475
2204 0.05731611326336861
2205 0.05727492272853851
2206 0.057233776897192
2207 0.057192668318748474
2208 0.057151615619659424
2209 0.057110581547021866
2210 0.05706961080431938
2211 0.05702868476510048
2212 0.056987784802913666
2213 0.05694693699479103
2214 0.056906141340732574
2215 0.056865375488996506
2216 0.05682464316487312
2217 0.05678397789597511
2218 0.05674334615468979
2219 0.056702759116888046
2220 0.05666220933198929
2221 0.056621719151735306
2222 0.05658124014735222
2223 0.05654080584645271
2224 0.05650044232606888
2225 0.056460101157426834
2226 0.05641980469226837
2227 0.056379545480012894
2228 0.05633935332298279
2229 0.05629918724298477
2230 0.05625906214118004
2231 0.056218985468149185
2232 0.05617895349860191
2233 0.05613894760608673
2234 0.05609899014234543
2235 0.05605907365679741
2236 0.05601920187473297
2237 0.055979374796152115
2238 0.05593958497047424
2239 0.055899836122989655
2240 0.05586010590195656
2241 0.05582045018672943
2242 0.0557808056473732
2243 0.055741190910339355
2244 0.055701613426208496
2245 0.055662088096141815
2246 0.05562259629368782
2247 0.055583126842975616
2248 0.055543724447488785
2249 0.05550434812903404
2250 0.055465005338191986
2251 0.05542571097612381
2252 0.055386461317539215
2253 0.0553472563624382
2254 0.05530809238553047
2255 0.05526895448565483
2256 0.05522988364100456
2257 0.055190809071063995
2258 0.055151816457509995
2259 0.05511284992098808
2260 0.05507391691207886
2261 0.05503503233194351
2262 0.05499619245529175
2263 0.054957374930381775
2264 0.05491860583424568
2265 0.05487988516688347
2266 0.054841212928295135
2267 0.05480256304144859
2268 0.054763954132795334
2269 0.0547252893447876
2270 0.054686471819877625
2271 0.05464768782258034
2272 0.054608963429927826
2273 0.054570261389017105
2274 0.054531604051589966
2275 0.05449299514293671
2276 0.05445442348718643
2277 0.05441589280962944
2278 0.054377391934394836
2279 0.05433893948793411
2280 0.054300520569086075
2281 0.05426214635372162
2282 0.05422382056713104
2283 0.05418551340699196
2284 0.05414726585149765
2285 0.05410904809832573
2286 0.05407087132334709
2287 0.054032739251852036
2288 0.05399463325738907
2289 0.05395657196640968
2290 0.05391855165362358
2291 0.05388057231903076
2292 0.05384262278676033
2293 0.05380474030971527
2294 0.05376685410737991
2295 0.053729042410850525
2296 0.053691256791353226
2297 0.05365350469946861
2298 0.05361579731106758
2299 0.05357813090085983
2300 0.05354049801826477
2301 0.05350291728973389
2302 0.05346536263823509
2303 0.05342784896492958
2304 0.05339037999510765
2305 0.05335293337702751
2306 0.05331555753946304
2307 0.05327818915247917
2308 0.053240858018398285
2309 0.05320359021425247
2310 0.05316634103655815
2311 0.053129132837057114
2312 0.05309196561574936
2313 0.053054843097925186
2314 0.053017761558294296
2315 0.0529807023704052
2316 0.052943699061870575
2317 0.05290672183036804
2318 0.052869781851768494
2319 0.05283288285136223
2320 0.05279601737856865
2321 0.052759211510419846
2322 0.05272240564227104
2323 0.052685655653476715
2324 0.05264895781874657
2325 0.05261228606104851
2326 0.05257565155625343
2327 0.05253905430436134
2328 0.05250249058008194
2329 0.05246596410870552
2330 0.05242948606610298
2331 0.05239303782582283
2332 0.05235663428902626
2333 0.05232024937868118
2334 0.052283916622400284
2335 0.05224761366844177
2336 0.052211351692676544
2337 0.052175119519233704
2338 0.05213890224695206
2339 0.05210274085402489
2340 0.052066605538129807
2341 0.05203051492571831
2342 0.0519944466650486
2343 0.05195842310786247
2344 0.051922447979450226
2345 0.051886510103940964
2346 0.05185059458017349
2347 0.05181471258401871
2348 0.0517788864672184
2349 0.05174308270215988
2350 0.05170730873942375
2351 0.0516715832054615
2352 0.05163589492440224
2353 0.05160023272037506
2354 0.05156461521983147
2355 0.05152903124690056
2356 0.051493484526872635
2357 0.051457975059747696
2358 0.05142248794436455
2359 0.05138704925775528
2360 0.0513516440987587
2361 0.0513162799179554
2362 0.05128094553947449
2363 0.05124564468860626
2364 0.05121038109064102
2365 0.05117515102028847
2366 0.0511399507522583
2367 0.051104795187711716
2368 0.05106968432664871
2369 0.051034603267908096
2370 0.05099954828619957
2371 0.05096454173326492
2372 0.05092955753207207
2373 0.05089461803436279
2374 0.05085970088839531
2375 0.05082482844591141
2376 0.05078998953104019
2377 0.05075518414378166
2378 0.050720419734716415
2379 0.05068567767739296
2380 0.05065099149942398
2381 0.0506163090467453
2382 0.050581689924001694
2383 0.05054708570241928
2384 0.05051251873373985
2385 0.0504780150949955
2386 0.05044351890683174
2387 0.050409067422151566
2388 0.05037463456392288
2389 0.050340261310338974
2390 0.05030589550733566
2391 0.05027158185839653
2392 0.05023728683590889
2393 0.050203047692775726
2394 0.05016881972551346
2395 0.050134651362895966
2396 0.05010049790143967
2397 0.05006638169288635
2398 0.05003230646252632
2399 0.049998264759778976
2400 0.049964237958192825
2401 0.04993026703596115
2402 0.04989632964134216
2403 0.04986241087317467
2404 0.049828533083200455
2405 0.04979468137025833
2406 0.049760885536670685
2407 0.04972708970308304
2408 0.049693357199430466
2409 0.04965965822339058
2410 0.049625977873802185
2411 0.049592338502407074
2412 0.049558717757463455
2413 0.04952514171600342
2414 0.049491602927446365
2415 0.049458097666502
2416 0.04942462593317032
2417 0.04939119145274162
2418 0.049357760697603226
2419 0.049324389547109604
2420 0.04929105564951897
2421 0.049257759004831314
2422 0.04922446608543396
2423 0.049191225320100784
2424 0.0491579994559288
2425 0.049124825745821
2426 0.04909168556332588
2427 0.049058567732572556
2428 0.04902549460530281
2429 0.04899244010448456
2430 0.048959411680698395
2431 0.04892643541097641
2432 0.04889349266886711
2433 0.048860568553209305
2434 0.04882769286632538
2435 0.048794809728860855
2436 0.04876202344894409
2437 0.04872921109199524
2438 0.04869646951556206
2439 0.04866374284029007
2440 0.04863104596734047
2441 0.048598386347293854
2442 0.04856575280427933
2443 0.04853314906358719
2444 0.04850059375166893
2445 0.04846806824207306
2446 0.04843556508421898
2447 0.048403095453977585
2448 0.048370663076639175
2449 0.04833825305104256
2450 0.04830586537718773
2451 0.04827352985739708
2452 0.04824121668934822
2453 0.048208944499492645
2454 0.04817669466137886
2455 0.048144470900297165
2456 0.04811227694153786
2457 0.04808012396097183
2458 0.04804801195859909
2459 0.04801591485738754
2460 0.04798385128378868
2461 0.047951821237802505
2462 0.047919824719429016
2463 0.047887858003377914
2464 0.0478559210896492
2465 0.04782402515411377
2466 0.047792136669158936
2467 0.04776029288768768
2468 0.04772849380970001
2469 0.04769670218229294
2470 0.047664958983659744
2471 0.04763323813676834
2472 0.047601547092199326
2473 0.047569893300533295
2474 0.04753825068473816
2475 0.047506656497716904
2476 0.04747509956359863
2477 0.04744357615709305
2478 0.04741206765174866
2479 0.047380588948726654
2480 0.04734913632273674
2481 0.047317732125520706
2482 0.047286342829465866
2483 0.04725499823689461
2484 0.04722368344664574
2485 0.04719240218400955
2486 0.0471612922847271
2487 0.04713021218776703
2488 0.047099169343709946
2489 0.04706813395023346
2490 0.04703715816140175
2491 0.04700620472431183
2492 0.046975281089544296
2493 0.04694436863064766
2494 0.046913500875234604
2495 0.046882666647434235
2496 0.04685184732079506
2497 0.04682106152176857
2498 0.04679032415151596
2499 0.046759601682424545
In [51]:
import matplotlib.pyplot as plt

plt.plot(range(epochs), aggregated_losses)
plt.ylabel('Loss')
plt.xlabel('epoch')

plt.show
Out[51]:
<function matplotlib.pyplot.show(*args, **kw)>

Forecast based on the model

  • substitute the same equations that were in the model
  • The following loss result shows the last model sequence
  • Loss shows how much the model is wrong (loss = sum of error squares) after the last learning sequence

Prognoza na podstawie modelu

  • podstawiamy te same równania, które były w modelu
  • Poniższy wynik loss pokazuje ostatnią sekwencje modelu
  • Loss pokazuuje ile myli się model (loss = suma kwadratu błedów) po ostatniej sekwencji uczenia się
    obraz.png
In [26]:
with torch.no_grad():
    y_pred = model(X)  
    loss = (y_pred - y).pow(2).sum()

    print(f'Loss train_set: {loss:.8f}')

Loss train_set: 0.04672889

Ponieważ ustaliliśmy, że nasza warstwa wyjściowa będzie zawierać 1 neuron, każda prognoza będzie zawierać 1 wartości. Przykładowo pierwsze 5 przewidywanych wartości wygląda następująco:

In [27]:
y_pred[:5]
Out[27]:
tensor([[0.0297],
        [0.0404],
        [0.0731],
        [0.0552],
        [0.0586]])

We save the whole model

Zapisujemy cały model

In [28]:
torch.save(model,'/home/wojciech/Pulpit/7/byk12.pb')

We play the whole model

Odtwarzamy cały model

In [29]:
KOT = torch.load('/home/wojciech/Pulpit/7/byk12.pb')
KOT.eval()
Out[29]:
Sequential(
  (0): Linear(in_features=11, out_features=30, bias=True)
  (1): ReLU()
  (2): Linear(in_features=30, out_features=1, bias=True)
)

By substituting other independent variables, you can get a vector of output variables

We choose a random record from the tensor

Podstawiając inne zmienne niezależne można uzyskać wektor zmiennych wyjściowych

Wybieramy sobie jakąś losowy rekord z tensora

In [30]:
X_exp = X[85] 
X_exp
Out[30]:
tensor([ 0.1112,  0.9693,  1.1518, -2.1961, -1.8163, -1.4758,  0.1856, -0.5823,
         0.6798,  1.2684, -1.2157])
In [31]:
y_exp = y[85]
y_exp
Out[31]:
tensor([0.0429])
In [32]:
y_pred_exp = model(X_exp)
y_pred_exp
Out[32]:
tensor([0.0459], grad_fn=<AddBackward0>)
In [33]:
y_pred*100
Out[33]:
tensor([[2.9664],
        [4.0416],
        [7.3108],
        [5.5216],
        [5.8579],
        [4.8767],
        [5.6226],
        [5.9540],
        [6.6332],
        [8.8765],
        [2.3783],
        [7.1672],
        [6.3292],
        [3.3638],
        [5.9914],
        [6.0794],
        [5.7204],
        [2.7975],
        [6.6604],
        [4.9272],
        [4.8879],
        [2.9091],
        [5.4933],
        [2.5811],
        [7.4032],
        [5.1133],
        [4.7074],
        [5.6793],
        [4.5719],
        [5.7311],
        [3.2888],
        [2.8930],
        [5.0066],
        [6.1134],
        [3.6609],
        [5.4406],
        [5.9087],
        [7.8294],
        [3.7849],
        [5.3835],
        [6.4967],
        [5.9825],
        [6.5347],
        [5.6162],
        [3.9004],
        [7.9095],
        [6.4070],
        [3.0974],
        [3.9098],
        [6.2177],
        [4.9921],
        [4.4564],
        [5.3692],
        [3.4037],
        [6.1061],
        [6.3973],
        [5.5695],
        [5.7126],
        [7.7393],
        [4.9747],
        [6.4765],
        [6.3071],
        [5.9212],
        [7.6323],
        [7.9976],
        [9.0414],
        [2.4912],
        [5.4853],
        [4.2362],
        [5.4228],
        [6.1679],
        [4.9260],
        [6.7854],
        [6.1889],
        [4.3402],
        [6.1307],
        [5.5957],
        [5.6962],
        [4.7096],
        [5.1419],
        [6.2473],
        [5.1711],
        [6.6281],
        [5.3054],
        [3.7138],
        [4.5884],
        [5.4899],
        [2.9835],
        [6.5399],
        [5.1095],
        [5.4376],
        [6.6325],
        [6.2240],
        [4.9002],
        [4.2162],
        [3.9430],
        [5.5380],
        [3.6677],
        [6.1445],
        [8.3954],
        [6.9688],
        [4.8948],
        [3.3532],
        [5.0904],
        [5.2565],
        [7.3518],
        [5.6310],
        [5.7561],
        [6.2047],
        [6.9834],
        [5.3382],
        [4.8129],
        [2.7476],
        [5.3832],
        [4.9981],
        [7.3488],
        [4.7036],
        [4.1798],
        [2.0787],
        [7.5565],
        [4.4558],
        [5.4520],
        [2.0349],
        [6.9208],
        [6.9492],
        [6.1634],
        [5.5123],
        [3.5621],
        [5.1587],
        [7.2254],
        [4.1461],
        [5.9688],
        [5.4470],
        [3.6854],
        [7.8049],
        [8.2269],
        [5.1573],
        [6.7360],
        [2.7912],
        [4.2884],
        [7.4852],
        [4.0624],
        [6.2779],
        [4.2037],
        [4.8331],
        [4.4547],
        [2.5030],
        [3.9659],
        [6.7515],
        [8.3830],
        [8.5129],
        [6.7651],
        [5.5284],
        [6.9194],
        [3.9624],
        [3.1702],
        [4.0884],
        [5.7610],
        [3.8812],
        [3.5756],
        [6.2141],
        [5.5166],
        [5.1329],
        [3.7041],
        [5.9317],
        [5.4580],
        [6.7207],
        [6.8466],
        [1.9617],
        [5.9478],
        [4.9075],
        [6.9502],
        [4.4676],
        [5.1748],
        [6.4262],
        [5.2580],
        [2.4653],
        [6.7099],
        [4.6664],
        [3.9866],
        [1.8624],
        [4.7833],
        [4.1117],
        [6.8131],
        [4.9969],
        [5.3558],
        [4.6633],
        [6.5276],
        [2.5698],
        [3.7701],
        [3.2941],
        [6.6634],
        [3.1562],
        [3.2309],
        [6.1113],
        [5.4087],
        [6.2778],
        [5.9426],
        [4.0700],
        [6.0296],
        [7.3920],
        [3.3884],
        [6.3151],
        [5.7413],
        [3.1239],
        [2.6905],
        [6.2215],
        [5.0392],
        [1.9744],
        [6.9342],
        [3.1153],
        [4.8829],
        [5.4011],
        [5.3954],
        [4.7339],
        [7.5059],
        [4.7983],
        [5.3758],
        [5.7488],
        [4.1503],
        [5.7822],
        [7.5587],
        [5.9593],
        [3.7387],
        [5.9640],
        [4.5946],
        [4.3619],
        [7.1376],
        [3.8642],
        [6.3577],
        [6.8040],
        [4.3509],
        [5.7255],
        [5.1782],
        [4.2615],
        [3.5781],
        [6.5557],
        [4.8018],
        [6.8300],
        [5.3526],
        [2.2285],
        [3.4770],
        [6.1449],
        [4.1859],
        [6.1908],
        [3.3807],
        [5.7225],
        [7.8827],
        [6.7356],
        [5.4064],
        [3.6626],
        [4.4502],
        [3.1978],
        [3.2464],
        [4.6420],
        [7.0870],
        [7.4764],
        [5.7756],
        [3.0390],
        [4.7756],
        [4.7188],
        [8.1182],
        [4.5416],
        [5.2138],
        [7.8055],
        [5.7732],
        [5.9122],
        [5.0187],
        [5.9651],
        [5.4615],
        [7.7498],
        [7.3046],
        [5.7209],
        [5.3261],
        [1.9999],
        [8.1639],
        [3.2365],
        [5.5175],
        [5.0731],
        [5.5036],
        [6.7409],
        [7.4398],
        [6.5612],
        [2.6310],
        [3.9384],
        [4.9992],
        [3.9782],
        [7.9541],
        [4.8564],
        [3.5855],
        [7.4833],
        [6.9492],
        [7.9667],
        [2.6751],
        [7.4556],
        [3.4723],
        [3.2654],
        [7.4916],
        [3.7939],
        [7.5347],
        [4.5226],
        [4.3283],
        [6.2889],
        [1.4205],
        [5.1865],
        [7.3664],
        [7.0705],
        [8.6856],
        [7.4042],
        [6.0064],
        [6.5478],
        [4.3864],
        [4.2359],
        [4.1898],
        [4.4255],
        [3.1806],
        [5.1247],
        [5.7540],
        [5.0307],
        [6.2750],
        [4.3838],
        [5.5981],
        [6.7580],
        [7.8894],
        [7.4011],
        [6.7692],
        [6.6447],
        [6.8985],
        [6.5622],
        [5.9753],
        [3.9478],
        [4.7453],
        [3.8296],
        [3.8648],
        [6.5571],
        [5.2697],
        [4.6606],
        [2.7551],
        [5.1647],
        [4.3981],
        [7.3970],
        [3.8195],
        [4.6106],
        [6.0730],
        [4.6144],
        [5.9978],
        [5.7666],
        [3.7945],
        [7.3946],
        [4.8461],
        [4.0483],
        [5.8546],
        [7.7021],
        [5.1070],
        [7.0071],
        [5.9592],
        [6.6253],
        [6.2787],
        [4.6751],
        [8.3041],
        [6.5435],
        [4.9875],
        [3.4187],
        [7.9358],
        [5.2559],
        [1.9815],
        [6.7741],
        [3.6748],
        [2.8120],
        [5.5128],
        [5.5181],
        [6.6587],
        [7.0592],
        [4.0100],
        [4.7017],
        [6.3343],
        [7.7795],
        [6.1473],
        [5.9915],
        [4.6752],
        [6.1017],
        [4.5512],
        [6.6151],
        [5.8156],
        [4.7634],
        [4.9142],
        [6.5041],
        [5.0676],
        [5.8448],
        [6.1546],
        [4.1216],
        [3.4364],
        [5.0902],
        [6.3010],
        [7.2167],
        [5.9601],
        [3.1539],
        [4.6667],
        [4.7068],
        [5.4171],
        [5.0741],
        [4.1897],
        [6.1055],
        [7.8151],
        [6.7116],
        [4.2754],
        [5.9288],
        [5.7566],
        [5.6452],
        [4.2433],
        [5.2321],
        [6.9282],
        [8.3004],
        [7.1942],
        [7.5665],
        [3.9228],
        [5.0916],
        [6.3853],
        [8.9201],
        [4.0894],
        [5.0578],
        [5.4298],
        [5.3945],
        [6.8777],
        [6.0253],
        [4.6407],
        [5.5930],
        [6.0872],
        [7.4040],
        [5.4820],
        [4.1105],
        [7.4705],
        [6.6388],
        [6.4490],
        [4.5783],
        [6.1771],
        [6.6494],
        [4.7957],
        [5.9815],
        [3.7596],
        [6.2458],
        [2.6563],
        [6.3460],
        [5.0271],
        [2.7388],
        [8.7505],
        [9.3717],
        [2.4806],
        [6.5091],
        [4.3372],
        [4.2973],
        [4.3720],
        [3.3563],
        [5.2429],
        [4.9201],
        [5.2773],
        [4.9870],
        [4.1075],
        [3.6772],
        [6.9761],
        [5.8244],
        [4.7021],
        [5.5312],
        [3.6516],
        [5.1328],
        [5.7880],
        [4.0189],
        [4.9219],
        [3.9931]])
In [34]:
df.loc[85,'Happiness Score']
Out[34]:
5.007
In [35]:
(y_exp - y_pred_exp).pow(2).sum()
Out[35]:
tensor(8.7851e-06, grad_fn=<SumBackward0>)

r2_score_compute

obraz.png

In [36]:
def r2_score_compute_fn(y_pred, y):
    e = torch.sum((y_pred-y.mean()) ** 2) / torch.sum((y - y.mean()) ** 2)
    return 1 - e.item()
In [37]:
r2_score_compute_fn(y, y_pred)
Out[37]:
0.4201156497001648
In [46]:
a = pd.DataFrame(y)
b = pd.DataFrame(y_pred)