notebook.community

Edit and run



In [2]:

    
library(iRF)









    



Loading required package: AUC
AUC 0.3.0
Type AUCNews() to see the change log and ?AUC to get an overview.
Loading required package: doMC
Loading required package: foreach
Loading required package: iterators
Loading required package: parallel
Loading required package: akima
iRF 1.0.0



In [3]:

    
source('R_irf_benchmarks_utils.R')









    



randomForest 4.6-12
Type rfNews() to see new features/changes/bug fixes.

Attaching package: ‘randomForest’

The following objects are masked from ‘package:iRF’:

    classCenter, combine, getTree, grow, importance, margin, MDSplot,
    na.roughfix, outlier, partialPlot, randomForest, rfcv, rfImpute,
    rfNews, treesize, tuneRF, varImpPlot, varUsed



In [31]:

    
colnames(features) <- paste('X',0:29,sep = '')
features









    





X0 X1 X2 X3 X4 X5 X6 X7 X8 X9 ⋯ X20 X21 X22 X23 X24 X25 X26 X27 X28 X29

	17.990 10.38  122.80 1001.0 0.11840 0.27760 0.30010 0.14710 0.2419 0.07871 ⋯      25.38  17.33  184.60 2019.0 0.1622 0.6656 0.71190 0.26540 0.4601 0.11890
	20.570 17.77  132.90 1326.0 0.08474 0.07864 0.08690 0.07017 0.1812 0.05667 ⋯      24.99  23.41  158.80 1956.0 0.1238 0.1866 0.24160 0.18600 0.2750 0.08902
	19.690 21.25  130.00 1203.0 0.10960 0.15990 0.19740 0.12790 0.2069 0.05999 ⋯      23.57  25.53  152.50 1709.0 0.1444 0.4245 0.45040 0.24300 0.3613 0.08758
	11.420 20.38   77.58  386.1 0.14250 0.28390 0.24140 0.10520 0.2597 0.09744 ⋯      14.91  26.50   98.87  567.7 0.2098 0.8663 0.68690 0.25750 0.6638 0.17300
	20.290 14.34  135.10 1297.0 0.10030 0.13280 0.19800 0.10430 0.1809 0.05883 ⋯      22.54  16.67  152.20 1575.0 0.1374 0.2050 0.40000 0.16250 0.2364 0.07678
	12.450 15.70   82.57  477.1 0.12780 0.17000 0.15780 0.08089 0.2087 0.07613 ⋯      15.47  23.75  103.40  741.6 0.1791 0.5249 0.53550 0.17410 0.3985 0.12440
	18.250 19.98  119.60 1040.0 0.09463 0.10900 0.11270 0.07400 0.1794 0.05742 ⋯      22.88  27.66  153.20 1606.0 0.1442 0.2576 0.37840 0.19320 0.3063 0.08368
	13.710 20.83   90.20  577.9 0.11890 0.16450 0.09366 0.05985 0.2196 0.07451 ⋯      17.06  28.14  110.60  897.0 0.1654 0.3682 0.26780 0.15560 0.3196 0.11510
	13.000 21.82   87.50  519.8 0.12730 0.19320 0.18590 0.09353 0.2350 0.07389 ⋯      15.49  30.73  106.20  739.3 0.1703 0.5401 0.53900 0.20600 0.4378 0.10720
	12.460 24.04   83.97  475.9 0.11860 0.23960 0.22730 0.08543 0.2030 0.08243 ⋯      15.09  40.68   97.65  711.4 0.1853 1.0580 1.10500 0.22100 0.4366 0.20750
	16.020 23.24  102.70  797.8 0.08206 0.06669 0.03299 0.03323 0.1528 0.05697 ⋯      19.19  33.88  123.80 1150.0 0.1181 0.1551 0.14590 0.09975 0.2948 0.08452
	15.780 17.89  103.60  781.0 0.09710 0.12920 0.09954 0.06606 0.1842 0.06082 ⋯      20.42  27.28  136.50 1299.0 0.1396 0.5609 0.39650 0.18100 0.3792 0.10480
	19.170 24.80  132.40 1123.0 0.09740 0.24580 0.20650 0.11180 0.2397 0.07800 ⋯      20.96  29.94  151.70 1332.0 0.1037 0.3903 0.36390 0.17670 0.3176 0.10230
	15.850 23.95  103.70  782.7 0.08401 0.10020 0.09938 0.05364 0.1847 0.05338 ⋯      16.84  27.66  112.00  876.5 0.1131 0.1924 0.23220 0.11190 0.2809 0.06287
	13.730 22.61   93.60  578.3 0.11310 0.22930 0.21280 0.08025 0.2069 0.07682 ⋯      15.03  32.01  108.80  697.7 0.1651 0.7725 0.69430 0.22080 0.3596 0.14310
	14.540 27.54   96.73  658.8 0.11390 0.15950 0.16390 0.07364 0.2303 0.07077 ⋯      17.46  37.13  124.10  943.2 0.1678 0.6577 0.70260 0.17120 0.4218 0.13410
	14.680 20.13   94.74  684.5 0.09867 0.07200 0.07395 0.05259 0.1586 0.05922 ⋯      19.07  30.88  123.40 1138.0 0.1464 0.1871 0.29140 0.16090 0.3029 0.08216
	16.130 20.68  108.10  798.8 0.11700 0.20220 0.17220 0.10280 0.2164 0.07356 ⋯      20.96  31.48  136.80 1315.0 0.1789 0.4233 0.47840 0.20730 0.3706 0.11420
	19.810 22.15  130.00 1260.0 0.09831 0.10270 0.14790 0.09498 0.1582 0.05395 ⋯      27.32  30.88  186.80 2398.0 0.1512 0.3150 0.53720 0.23880 0.2768 0.07615
	13.540 14.36   87.46  566.3 0.09779 0.08129 0.06664 0.04781 0.1885 0.05766 ⋯      15.11  19.26   99.70  711.2 0.1440 0.1773 0.23900 0.12880 0.2977 0.07259
	13.080 15.71   85.63  520.0 0.10750 0.12700 0.04568 0.03110 0.1967 0.06811 ⋯      14.50  20.49   96.09  630.5 0.1312 0.2776 0.18900 0.07283 0.3184 0.08183
	 9.504 12.44   60.34  273.9 0.10240 0.06492 0.02956 0.02076 0.1815 0.06905 ⋯      10.23  15.66   65.13  314.9 0.1324 0.1148 0.08867 0.06227 0.2450 0.07773
	15.340 14.26  102.50  704.4 0.10730 0.21350 0.20770 0.09756 0.2521 0.07032 ⋯      18.07  19.08  125.10  980.9 0.1390 0.5954 0.63050 0.23930 0.4667 0.09946
	21.160 23.04  137.20 1404.0 0.09428 0.10220 0.10970 0.08632 0.1769 0.05278 ⋯      29.17  35.59  188.00 2615.0 0.1401 0.2600 0.31550 0.20090 0.2822 0.07526
	16.650 21.38  110.00  904.6 0.11210 0.14570 0.15250 0.09170 0.1995 0.06330 ⋯      26.46  31.56  177.00 2215.0 0.1805 0.3578 0.46950 0.20950 0.3613 0.09564
	17.140 16.40  116.00  912.7 0.11860 0.22760 0.22290 0.14010 0.3040 0.07413 ⋯      22.25  21.40  152.40 1461.0 0.1545 0.3949 0.38530 0.25500 0.4066 0.10590
	14.580 21.53   97.41  644.8 0.10540 0.18680 0.14250 0.08783 0.2252 0.06924 ⋯      17.62  33.21  122.40  896.9 0.1525 0.6643 0.55390 0.27010 0.4264 0.12750
	18.610 20.25  122.10 1094.0 0.09440 0.10660 0.14900 0.07731 0.1697 0.05699 ⋯      21.31  27.26  139.90 1403.0 0.1338 0.2117 0.34460 0.14900 0.2341 0.07421
	15.300 25.27  102.40  732.4 0.10820 0.16970 0.16830 0.08751 0.1926 0.06540 ⋯      20.27  36.71  149.30 1269.0 0.1641 0.6110 0.63350 0.20240 0.4027 0.09876
	17.570 15.05  115.00  955.1 0.09847 0.11570 0.09875 0.07953 0.1739 0.06149 ⋯      20.01  19.52  134.90 1227.0 0.1255 0.2812 0.24890 0.14560 0.2756 0.07919
	⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
	 7.691  25.44    48.34   170.4  0.08668 0.11990 0.092520 0.013640 0.2037  0.07751 ⋯        8.678  31.89    54.49   223.6  0.15960 0.30640 0.33930 0.05000 0.2790  0.10660 
	11.540  14.44    74.65   402.9  0.09984 0.11200 0.067370 0.025940 0.1818  0.06782 ⋯       12.260  19.68    78.78   457.8  0.13450 0.21180 0.17970 0.06918 0.2329  0.08134 
	14.470  24.99    95.81   656.4  0.08837 0.12300 0.100900 0.038900 0.1872  0.06341 ⋯       16.220  31.73   113.50   808.9  0.13400 0.42020 0.40400 0.12050 0.3187  0.10230 
	14.740  25.42    94.70   668.6  0.08275 0.07214 0.041050 0.030270 0.1840  0.05680 ⋯       16.510  32.29   107.40   826.4  0.10600 0.13760 0.16110 0.10950 0.2722  0.06956 
	13.210  28.06    84.88   538.4  0.08671 0.06877 0.029870 0.032750 0.1628  0.05781 ⋯       14.370  37.17    92.48   629.6  0.10720 0.13810 0.10620 0.07958 0.2473  0.06443 
	13.870  20.70    89.77   584.8  0.09578 0.10180 0.036880 0.023690 0.1620  0.06688 ⋯       15.050  24.75    99.17   688.6  0.12640 0.20370 0.13770 0.06845 0.2249  0.08492 
	13.620  23.23    87.19   573.2  0.09246 0.06747 0.029740 0.024430 0.1664  0.05801 ⋯       15.350  29.09    97.58   729.8  0.12160 0.15170 0.10490 0.07174 0.2642  0.06953 
	10.320  16.35    65.31   324.9  0.09434 0.04994 0.010120 0.005495 0.1885  0.06201 ⋯       11.250  21.77    71.12   384.9  0.12850 0.08842 0.04384 0.02381 0.2681  0.07399 
	10.260  16.58    65.85   320.8  0.08877 0.08066 0.043580 0.024380 0.1669  0.06714 ⋯       10.830  22.04    71.08   357.4  0.14610 0.22460 0.17830 0.08333 0.2691  0.09479 
	 9.683  19.34    61.05   285.7  0.08491 0.05030 0.023370 0.009615 0.1580  0.06235 ⋯       10.930  25.59    69.10   364.2  0.11990 0.09546 0.09350 0.03846 0.2552  0.07920 
	10.820  24.21    68.89   361.6  0.08192 0.06602 0.015480 0.008160 0.1976  0.06328 ⋯       13.030  31.45    83.90   505.6  0.12040 0.16330 0.06194 0.03264 0.3059  0.07626 
	10.860  21.48    68.51   360.5  0.07431 0.04227 0.000000 0.000000 0.1661  0.05948 ⋯       11.660  24.77    74.08   412.3  0.10010 0.07348 0.00000 0.00000 0.2458  0.06592 
	11.130  22.44    71.49   378.4  0.09566 0.08194 0.048240 0.022570 0.2030  0.06552 ⋯       12.020  28.26    77.80   436.6  0.10870 0.17820 0.15640 0.06413 0.3169  0.08032 
	12.770  29.43    81.35   507.9  0.08276 0.04234 0.019970 0.014990 0.1539  0.05637 ⋯       13.870  36.00    88.10   594.7  0.12340 0.10640 0.08653 0.06498 0.2407  0.06484 
	 9.333  21.94    59.01   264.0  0.09240 0.05605 0.039960 0.012820 0.1692  0.06576 ⋯        9.845  25.05    62.86   295.8  0.11030 0.08298 0.07993 0.02564 0.2435  0.07393 
	12.880  28.92    82.50   514.3  0.08123 0.05824 0.061950 0.023430 0.1566  0.05708 ⋯       13.890  35.74    88.84   595.7  0.12270 0.16200 0.24390 0.06493 0.2372  0.07242 
	10.290  27.61    65.67   321.4  0.09030 0.07658 0.059990 0.027380 0.1593  0.06127 ⋯       10.840  34.91    69.57   357.6  0.13840 0.17100 0.20000 0.09127 0.2226  0.08283 
	10.160  19.59    64.73   311.7  0.10030 0.07504 0.005025 0.011160 0.1791  0.06331 ⋯       10.650  22.88    67.88   347.3  0.12650 0.12000 0.01005 0.02232 0.2262  0.06742 
	 9.423  27.88    59.26   271.3  0.08123 0.04971 0.000000 0.000000 0.1742  0.06059 ⋯       10.490  34.24    66.50   330.6  0.10730 0.07158 0.00000 0.00000 0.2475  0.06969 
	14.590  22.68    96.39   657.1  0.08473 0.13300 0.102900 0.037360 0.1454  0.06147 ⋯       15.480  27.27   105.90   733.5  0.10260 0.31710 0.36620 0.11050 0.2258  0.08004 
	11.510  23.93    74.52   403.5  0.09261 0.10210 0.111200 0.041050 0.1388  0.06570 ⋯       12.480  37.16    82.28   474.2  0.12980 0.25170 0.36300 0.09653 0.2112  0.08732 
	14.050  27.15    91.38   600.4  0.09929 0.11260 0.044620 0.043040 0.1537  0.06171 ⋯       15.300  33.17   100.20   706.7  0.12410 0.22640 0.13260 0.10480 0.2250  0.08321 
	11.200  29.37    70.67   386.0  0.07449 0.03558 0.000000 0.000000 0.1060  0.05502 ⋯       11.920  38.30    75.19   439.6  0.09267 0.05494 0.00000 0.00000 0.1566  0.05905 
	15.220  30.62   103.40   716.9  0.10480 0.20870 0.255000 0.094290 0.2128  0.07152 ⋯       17.520  42.79   128.70   915.0  0.14170 0.79170 1.17000 0.23560 0.4089  0.14090 
	20.920  25.09   143.00  1347.0  0.10990 0.22360 0.317400 0.147400 0.2149  0.06879 ⋯       24.290  29.41   179.10  1819.0  0.14070 0.41860 0.65990 0.25420 0.2929  0.09873 
	21.560  22.39   142.00  1479.0  0.11100 0.11590 0.243900 0.138900 0.1726  0.05623 ⋯       25.450  26.40   166.10  2027.0  0.14100 0.21130 0.41070 0.22160 0.2060  0.07115 
	20.130  28.25   131.20  1261.0  0.09780 0.10340 0.144000 0.097910 0.1752  0.05533 ⋯       23.690  38.25   155.00  1731.0  0.11660 0.19220 0.32150 0.16280 0.2572  0.06637 
	16.600  28.08   108.30   858.1  0.08455 0.10230 0.092510 0.053020 0.1590  0.05648 ⋯       18.980  34.12   126.70  1124.0  0.11390 0.30940 0.34030 0.14180 0.2218  0.07820 
	20.600  29.33   140.10  1265.0  0.11780 0.27700 0.351400 0.152000 0.2397  0.07016 ⋯       25.740  39.42   184.60  1821.0  0.16500 0.86810 0.93870 0.26500 0.4087  0.12400 
	 7.760  24.54    47.92   181.0  0.05263 0.04362 0.000000 0.000000 0.1587  0.05884 ⋯        9.456  30.37    59.16   268.6  0.08996 0.06444 0.00000 0.00000 0.2871  0.07039



In [35]:

    
features <- read.csv('data/breast_cancer_features.csv', header = FALSE)
responses <- read.csv('data/breast_cancer_responses.csv', header = FALSE)
features <- as.matrix(features)
responses <- as.factor(responses$V1)

# data <- parse_data(features, responses, train_split_propn = 0.8, N_obs = 'all', N_features = 20, seed = 2018)
#dim(data$X_train)
#dim(data$X_test)
#length(data$y_train)
#length(data$y_test)


0:dim(features)[2]-1



In [4]:

    
library(yaml)
specs <- yaml.load_file('./specs/iRF_mod02.yaml')
print(specs)
spec_comb <- expand.grid(specs)
print(spec_comb)









    



$inp_dsname
[1] "breast_cancer"

$n_trials
[1] 2

$n_iter
[1] 1

$train_split_propn
[1] 0.8

$n_estimators
[1] 20

$n_bootstraps
[1] 10

$propn_n_samples
[1] 0.8

$bin_class_type
[1] 1

$n_RIT
[1] 20

$max_depth
[1] 5

$noisy_split
[1] FALSE

$num_splits
[1] 2

$n_estimators_bootstrap
[1] 5

$N_obs
[1] "all"

$N_features
[1] "all"

     inp_dsname n_trials n_iter train_split_propn n_estimators n_bootstraps
1 breast_cancer        2      1               0.8           20           10
  propn_n_samples bin_class_type n_RIT max_depth noisy_split num_splits
1             0.8              1    20         5       FALSE          2
  n_estimators_bootstrap N_obs N_features
1                      5   all        all



In [5]:

    
spec_comb[1,'n_trials']



In [6]:

    
bm <- get_iRF_benchmarks(data$X_train, data$X_test, data$y_train, data$y_test, n_trials=spec_comb[1,'n_trials'],
                   K=spec_comb[1,'n_iter'],
                   n_estimators=spec_comb[1,'n_estimators'],
                   B=spec_comb[1,'n_bootstraps'],
                   M=spec_comb[1,'n_RIT'],
                   max_depth=spec_comb[1,'max_depth'],
                   noisy_split=spec_comb[1,'noisy_split'],
                   num_splits=spec_comb[1,'num_splits'],
                   seed=2018)









    



[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
[1] "AUROC:  0.99"
[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
[1] "AUROC:  0.99"



In [7]:

    
names(bm)









    





	'metrics_all'
	'metrics_summary'
	'feature_importance'
	'stability_all'
	'ff'



In [8]:

    
iRF_bm <- consolidate_bm_iRF(features, responses, specs,
                seed_data_split = None, seed_classifier = None)









    



     inp_dsname n_trials n_iter train_split_propn n_estimators n_bootstraps
1 breast_cancer        2      1               0.8           20           10
  propn_n_samples bin_class_type n_RIT max_depth noisy_split num_splits
1             0.8              1    20         5       FALSE          2
  n_estimators_bootstrap N_obs N_features
1                      5   all        all
     inp_dsname n_trials n_iter train_split_propn n_estimators n_bootstraps
1 breast_cancer        2      1               0.8           20           10
  propn_n_samples bin_class_type n_RIT max_depth noisy_split num_splits
1             0.8              1    20         5       FALSE          2
  n_estimators_bootstrap N_obs N_features
1                      5   all        all
[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
[1] "AUROC:  0.97"
[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
[1] "AUROC:  0.98"



In [12]:

    
iRF_bm[[1]]









    





$metrics_all
$metrics_all$times
[1] 5.905103 5.866463

$metrics_all$score
[1] 0.9473684 0.9561404


$metrics_summary
$metrics_summary$times
[1] 5.88578320 0.02732262

$metrics_summary$score
[1] 0.951754386 0.006202691


$feature_importance
$feature_importance[[1]]
    MeanDecreaseGini
V1         9.4209773
V2         1.1349823
V3         6.9509956
V4        14.5629329
V5         0.3142857
V6         0.3600000
V7         9.6105466
V8        17.6806820
V9         0.7469826
V10        0.8977865
V11        2.0444174
V12        1.9886143
V13        5.3231042
V14        2.7276655
V15        1.3999610
V16        0.8464013
V17        0.4815344
V18        0.3573983
V19        1.1549009
V20        1.5742178
V21       21.9348837
V22        3.5119554
V23       62.5072063
V24       13.9325965
V25        2.3505814
V26        4.2003096
V27        0.9440588
V28       19.9942422
V29        1.8027630
V30        1.0777416

$feature_importance[[2]]
    MeanDecreaseGini
V1        12.4480459
V2         2.3360672
V3         1.9584065
V4        21.4260223
V5         0.8622394
V6         6.3158302
V7         3.6466620
V8        29.0991918
V9         0.3668440
V10        0.2636390
V11        1.3454501
V12        1.6110228
V13        7.7898300
V14       10.8271985
V15        0.9104149
V16        0.9216757
V17        0.5357604
V18        0.0000000
V19        1.0801801
V20        1.4918053
V21       19.0172308
V22        5.7622887
V23       29.1551352
V24       19.9679582
V25        1.1491682
V26        5.0161659
V27        3.5954133
V28       22.3604443
V29        1.5617773
V30        0.1500000


$stability_all
$stability_all[[1]]
       V21        V28        V24        V23        V27         V4         V8 
       1.0        1.0        0.9        0.8        0.8        0.8        0.8 
       V14         V7         V1         V3        V22        V26        V11 
       0.7        0.7        0.5        0.5        0.4        0.4        0.3 
       V13    V23_V28     V7_V24     V1_V23     V1_V28         V2    V21_V24 
       0.3        0.3        0.3        0.2        0.2        0.2        0.2 
     V4_V7     V7_V21     V8_V23    V11_V21    V11_V28    V12_V26 V1_V23_V26 
       0.2        0.2        0.2        0.1        0.1        0.1        0.1 
    V1_V27 V1_V27_V28    V14_V23      V1_V8        V19    V19_V28    V21_V23 
       0.1        0.1        0.1        0.1        0.1        0.1        0.1 
   V21_V27    V21_V28    V21_V29    V22_V28    V23_V27    V24_V26    V24_V27 
       0.1        0.1        0.1        0.1        0.1        0.1        0.1 
   V24_V28    V24_V30        V25    V27_V28        V29        V30     V3_V23 
       0.1        0.1        0.1        0.1        0.1        0.1        0.1 
    V3_V24     V3_V28     V4_V21     V4_V23     V4_V27     V4_V28         V6 
       0.1        0.1        0.1        0.1        0.1        0.1        0.1 
     V6_V8     V7_V28     V8_V11     V8_V19     V8_V21 
       0.1        0.1        0.1        0.1        0.1 

$stability_all[[2]]
        V28         V21         V24          V8         V23         V14 
        1.0         0.9         0.9         0.9         0.8         0.7 
        V27         V13         V29          V3          V4         V22 
        0.7         0.5         0.5         0.5         0.5         0.4 
        V26         V11     V21_V28     V24_V27      V4_V28          V1 
        0.4         0.3         0.3         0.3         0.3         0.2 
        V12     V14_V23         V19     V21_V24     V24_V28          V6 
        0.2         0.2         0.2         0.2         0.2         0.2 
         V7     V11_V23     V11_V28     V12_V21     V12_V23     V12_V24 
        0.2         0.1         0.1         0.1         0.1         0.1 
    V13_V21 V13_V21_V24     V13_V23     V13_V24     V14_V24 V14_V24_V27 
        0.1         0.1         0.1         0.1         0.1         0.1 
V14_V24_V28     V14_V26     V14_V27     V14_V28         V15     V16_V24 
        0.1         0.1         0.1         0.1         0.1         0.1 
        V17     V19_V21     V19_V28          V2 V21_V23_V28     V21_V27 
        0.1         0.1         0.1         0.1         0.1         0.1 
V22_V24_V26     V23_V28     V23_V29         V25      V3_V23       V3_V4 
        0.1         0.1         0.1         0.1         0.1         0.1 
      V3_V8      V4_V24      V7_V13      V7_V21      V7_V22      V8_V14 
        0.1         0.1         0.1         0.1         0.1         0.1 
     V8_V26      V8_V27 
        0.1         0.1 


$ff
$ff$rf_list
$ff$rf_list[[1]]

Call:
 randomForest(x = x, y = y, xtest = xtest, ytest = ytest, ntree = nt,      mtry_select_prob = mtry_select_prob, keep_subset_var = keep_subset_var,      keep.forest = TRUE) 
               Type of random forest: classification
                     Number of trees: 20
No. of variables tried at each split: 5



$ff$interaction
$ff$interaction[[1]]
        V28         V21         V24          V8         V23         V14 
        1.0         0.9         0.9         0.9         0.8         0.7 
        V27         V13         V29          V3          V4         V22 
        0.7         0.5         0.5         0.5         0.5         0.4 
        V26         V11     V21_V28     V24_V27      V4_V28          V1 
        0.4         0.3         0.3         0.3         0.3         0.2 
        V12     V14_V23         V19     V21_V24     V24_V28          V6 
        0.2         0.2         0.2         0.2         0.2         0.2 
         V7     V11_V23     V11_V28     V12_V21     V12_V23     V12_V24 
        0.2         0.1         0.1         0.1         0.1         0.1 
    V13_V21 V13_V21_V24     V13_V23     V13_V24     V14_V24 V14_V24_V27 
        0.1         0.1         0.1         0.1         0.1         0.1 
V14_V24_V28     V14_V26     V14_V27     V14_V28         V15     V16_V24 
        0.1         0.1         0.1         0.1         0.1         0.1 
        V17     V19_V21     V19_V28          V2 V21_V23_V28     V21_V27 
        0.1         0.1         0.1         0.1         0.1         0.1 
V22_V24_V26     V23_V28     V23_V29         V25      V3_V23       V3_V4 
        0.1         0.1         0.1         0.1         0.1         0.1 
      V3_V8      V4_V24      V7_V13      V7_V21      V7_V22      V8_V14 
        0.1         0.1         0.1         0.1         0.1         0.1 
     V8_V26      V8_V27 
        0.1         0.1



In [20]:

    
n.cores <- 7
registerDoMC(n.cores)

ff <- iRF(x=features, y=responses, 
           find_interaction=TRUE, n_iter=1, n.cores = n.cores, ntree = 20, n.bootstrap =20)









    



[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
b = 11;  
b = 12;  
b = 13;  
b = 14;  
b = 15;  
b = 16;  
b = 17;  
b = 18;  
b = 19;  
b = 20;  
b = 21;  
b = 22;  
b = 23;  
b = 24;  
b = 25;  
b = 26;  
b = 27;  
b = 28;  
b = 29;  
b = 30;



In [29]:

    
a <- parse_data(features, responses, train_split_propn = 0.8, N_obs = 'all', N_features = 'all', seed = 2018)



In [31]:

    
bm <- get_iRF_benchmarks(a$X_train, a$X_test, a$y_train, a$y_test, n_trials=1,
                   K=specs[1,'n_iter'],
                   n_estimators=20,
                   B=30,
                   M=20,
                   max_depth=5,
                   noisy_split=False,
                   num_splits=2,
                   seed=2018)









    



Error in specs[1, "n_iter"]: incorrect number of dimensions
Traceback:

1. get_iRF_benchmarks(a$X_train, a$X_test, a$y_train, a$y_test, 
 .     n_trials = 1, K = specs[1, "n_iter"], n_estimators = 20, 
 .     B = 30, M = 20, max_depth = 5, noisy_split = False, num_splits = 2, 
 .     seed = 2018)
2. iRF(x = X_train, y = y_train, xtest = X_test, ytest = y_test, 
 .     n_iter = K, ntree = n_estimators, n_core = 3, find_interaction = TRUE, 
 .     class_id = 1, cutoff_nodesize_prop = 0.1, n_bootstrap = B, 
 .     verbose = TRUE)



In [30]:

    
bm <- get_iRF_benchmarks(a$X_train, a$X_test, a$y_train, a$y_test, n_trials=1,
                   K=1,
                   n_estimators=20,
                   B=30,
                   M=20,
                   max_depth=5,
                   noisy_split=False,
                   num_splits=2,
                   seed=2018)









    



[1] "iteration =  1"
finding interactions ... b = 1;  
b = 2;  
b = 3;  
b = 4;  
b = 5;  
b = 6;  
b = 7;  
b = 8;  
b = 9;  
b = 10;  
b = 11;  
b = 12;  
b = 13;  
b = 14;  
b = 15;  
b = 16;  
b = 17;  
b = 18;  
b = 19;  
b = 20;  
b = 21;  
b = 22;  
b = 23;  
b = 24;  
b = 25;  
b = 26;  
b = 27;  
b = 28;  
b = 29;  
b = 30;  
[1] "AUROC:  0.98"



In [23]:

    
names(bm)









    





	'metrics_all'
	'metrics_summary'
	'feature_importance'
	'stability_all'
	'ff'



In [ ]:

    
bm$feature_importance



In [3]:

    
library(yaml)



In [18]:

    
specs <- yaml.load_file('./specs/iRF_mod01.yaml')



In [19]:

    
specs$inp_dsname









    




'breast_cancer'



In [11]:

    
b <- expand.grid(specs)



In [7]:

    
b[1,]









    





inp_dsname n_trials n_iter train_split_propn n_estimators n_bootstraps propn_n_samples bin_class_type n_RIT max_depth noisy_split num_splits n_estimators_bootstrap N_obs N_features

	breast_cancer 5            5            0.8          2            20           0.2          1            20           5            FALSE        2            5            all          all



In [79]:

    
b[1,'N_obs']









    



Error in eval(expr, envir, enclos): object 'b' not found
Traceback:



In [36]:

    
b[1,2]



In [51]:

    
test = 'all'
if(test=='no'){print('hi')
    } 
else{print('bye')}









    



Error in parse(text = x, srcfile = src): <text>:4:1: unexpected 'else'
3:     } 
4: else
   ^
Traceback:



In [16]:

    
paste('hi', 'bye', sep = '')









    




'hibye'



In [42]:

    
load('./output/iRF_mod02_out.RData')



In [43]:

    
rf_bm









    





[[1]]
[[1]]$metrics_all
[[1]]$metrics_all$times
[1] 5.619249 6.059816

[[1]]$metrics_all$score
[1] 0.9473684 0.9473684


[[1]]$metrics_summary
[[1]]$metrics_summary$times
[1] 5.8395323 0.3115281

[[1]]$metrics_summary$score
[1] 0.9473684 0.0000000


[[1]]$feature_importance
[[1]]$feature_importance[[1]]
    MeanDecreaseGini
V1        15.8397248
V2         1.3578702
V3        19.9585683
V4         8.4877189
V5         0.9570862
V6         0.8754886
V7         4.6984977
V8        24.2386461
V9         0.8418733
V10        0.8685278
V11        1.3405714
V12        0.4104433
V13        1.8175243
V14        8.3923767
V15        0.8155324
V16        3.5467466
V17        0.9885462
V18        0.2649471
V19        0.8623872
V20        0.9334602
V21       39.1284810
V22        4.5648913
V23       22.2339201
V24       21.1010298
V25        0.9897511
V26        3.2404513
V27        1.6735149
V28       13.9175589
V29        3.9884692
V30        1.2601204

[[1]]$feature_importance[[2]]
    MeanDecreaseGini
V1         8.4115846
V2         2.4405166
V3         7.7185351
V4        12.2528821
V5         0.6795935
V6         1.8782587
V7        13.6126204
V8        27.1088403
V9         0.9508944
V10        0.6301316
V11        1.5826359
V12        0.8637404
V13        2.0123540
V14        8.7825479
V15        0.6598211
V16        0.3898140
V17        0.0000000
V18        1.2451425
V19        0.8330975
V20        0.4550929
V21       12.3703744
V22        2.7956846
V23       38.4184859
V24       23.1742178
V25        1.3927473
V26        3.7790024
V27        8.5905775
V28       28.5595492
V29        0.6160145
V30        0.7196385


[[1]]$stability_all
[[1]]$stability_all[[1]]
    V21     V23     V28     V24      V8      V4      V1     V13     V27      V3 
    1.0     1.0     1.0     0.9     0.9     0.7     0.5     0.5     0.5     0.5 
    V14     V26     V19 V21_V28     V22      V7     V11  V1_V28      V2 V23_V24 
    0.4     0.4     0.3     0.3     0.3     0.3     0.2     0.2     0.2     0.2 
V24_V28     V25 V27_V28      V6  V1_V27 V13_V24 V14_V28     V16 V19_V24 V21_V23 
    0.2     0.2     0.2     0.2     0.1     0.1     0.1     0.1     0.1     0.1 
V21_V24 V21_V27 V23_V28 V24_V26     V30  V3_V22  V3_V28  V4_V21  V4_V26  V8_V14 
    0.1     0.1     0.1     0.1     0.1     0.1     0.1     0.1     0.1     0.1 

[[1]]$stability_all[[2]]
          V21           V28           V23           V24            V1 
          1.0           1.0           0.9           0.8           0.6 
          V14            V8           V27           V29            V3 
          0.6           0.6           0.5           0.5           0.5 
          V13           V25           V26            V4            V7 
          0.4           0.4           0.4           0.4           0.4 
          V11       V14_V23       V14_V28       V21_V27       V21_V28 
          0.3           0.3           0.3           0.3           0.3 
          V22       V23_V28       V24_V28        V1_V23       V14_V21 
          0.3           0.3           0.3           0.2           0.2 
      V14_V27           V19       V19_V24       V21_V23       V23_V27 
          0.2           0.2           0.2           0.2           0.2 
      V27_V28           V30        V4_V24            V6       V11_V12 
          0.2           0.2           0.2           0.2           0.1 
      V11_V27       V11_V28        V1_V14           V12        V1_V28 
          0.1           0.1           0.1           0.1           0.1 
  V14_V21_V23 V1_V8_V14_V21       V19_V23            V2       V21_V24 
          0.1           0.1           0.1           0.1           0.1 
      V22_V28       V23_V24       V23_V25   V23_V25_V28       V23_V29 
          0.1           0.1           0.1           0.1           0.1 
      V23_V30       V24_V29       V25_V27       V25_V28       V28_V29 
          0.1           0.1           0.1           0.1           0.1 
       V3_V24        V3_V27        V4_V21        V4_V28         V4_V8 
          0.1           0.1           0.1           0.1           0.1 
       V8_V19        V8_V21        V8_V24 
          0.1           0.1           0.1 


[[1]]$rf

Call:
 randomForest(x = x, y = y, xtest = xtest, ytest = ytest, ntree = nt,      mtry_select_prob = mtry_select_prob, keep_subset_var = keep_subset_var,      keep.forest = TRUE) 
               Type of random forest: classification
                     Number of trees: 20
No. of variables tried at each split: 5



In [ ]:

X0	X1	X2	X3	X4	X5	X6	X7	X8	X9	⋯	X20	X21	X22	X23	X24	X25	X26	X27	X28	X29
17.990	10.38	122.80	1001.0	0.11840	0.27760	0.30010	0.14710	0.2419	0.07871	⋯	25.38	17.33	184.60	2019.0	0.1622	0.6656	0.71190	0.26540	0.4601	0.11890
20.570	17.77	132.90	1326.0	0.08474	0.07864	0.08690	0.07017	0.1812	0.05667	⋯	24.99	23.41	158.80	1956.0	0.1238	0.1866	0.24160	0.18600	0.2750	0.08902
19.690	21.25	130.00	1203.0	0.10960	0.15990	0.19740	0.12790	0.2069	0.05999	⋯	23.57	25.53	152.50	1709.0	0.1444	0.4245	0.45040	0.24300	0.3613	0.08758
11.420	20.38	77.58	386.1	0.14250	0.28390	0.24140	0.10520	0.2597	0.09744	⋯	14.91	26.50	98.87	567.7	0.2098	0.8663	0.68690	0.25750	0.6638	0.17300
20.290	14.34	135.10	1297.0	0.10030	0.13280	0.19800	0.10430	0.1809	0.05883	⋯	22.54	16.67	152.20	1575.0	0.1374	0.2050	0.40000	0.16250	0.2364	0.07678
12.450	15.70	82.57	477.1	0.12780	0.17000	0.15780	0.08089	0.2087	0.07613	⋯	15.47	23.75	103.40	741.6	0.1791	0.5249	0.53550	0.17410	0.3985	0.12440
18.250	19.98	119.60	1040.0	0.09463	0.10900	0.11270	0.07400	0.1794	0.05742	⋯	22.88	27.66	153.20	1606.0	0.1442	0.2576	0.37840	0.19320	0.3063	0.08368
13.710	20.83	90.20	577.9	0.11890	0.16450	0.09366	0.05985	0.2196	0.07451	⋯	17.06	28.14	110.60	897.0	0.1654	0.3682	0.26780	0.15560	0.3196	0.11510
13.000	21.82	87.50	519.8	0.12730	0.19320	0.18590	0.09353	0.2350	0.07389	⋯	15.49	30.73	106.20	739.3	0.1703	0.5401	0.53900	0.20600	0.4378	0.10720
12.460	24.04	83.97	475.9	0.11860	0.23960	0.22730	0.08543	0.2030	0.08243	⋯	15.09	40.68	97.65	711.4	0.1853	1.0580	1.10500	0.22100	0.4366	0.20750
16.020	23.24	102.70	797.8	0.08206	0.06669	0.03299	0.03323	0.1528	0.05697	⋯	19.19	33.88	123.80	1150.0	0.1181	0.1551	0.14590	0.09975	0.2948	0.08452
15.780	17.89	103.60	781.0	0.09710	0.12920	0.09954	0.06606	0.1842	0.06082	⋯	20.42	27.28	136.50	1299.0	0.1396	0.5609	0.39650	0.18100	0.3792	0.10480
19.170	24.80	132.40	1123.0	0.09740	0.24580	0.20650	0.11180	0.2397	0.07800	⋯	20.96	29.94	151.70	1332.0	0.1037	0.3903	0.36390	0.17670	0.3176	0.10230
15.850	23.95	103.70	782.7	0.08401	0.10020	0.09938	0.05364	0.1847	0.05338	⋯	16.84	27.66	112.00	876.5	0.1131	0.1924	0.23220	0.11190	0.2809	0.06287
13.730	22.61	93.60	578.3	0.11310	0.22930	0.21280	0.08025	0.2069	0.07682	⋯	15.03	32.01	108.80	697.7	0.1651	0.7725	0.69430	0.22080	0.3596	0.14310
14.540	27.54	96.73	658.8	0.11390	0.15950	0.16390	0.07364	0.2303	0.07077	⋯	17.46	37.13	124.10	943.2	0.1678	0.6577	0.70260	0.17120	0.4218	0.13410
14.680	20.13	94.74	684.5	0.09867	0.07200	0.07395	0.05259	0.1586	0.05922	⋯	19.07	30.88	123.40	1138.0	0.1464	0.1871	0.29140	0.16090	0.3029	0.08216
16.130	20.68	108.10	798.8	0.11700	0.20220	0.17220	0.10280	0.2164	0.07356	⋯	20.96	31.48	136.80	1315.0	0.1789	0.4233	0.47840	0.20730	0.3706	0.11420
19.810	22.15	130.00	1260.0	0.09831	0.10270	0.14790	0.09498	0.1582	0.05395	⋯	27.32	30.88	186.80	2398.0	0.1512	0.3150	0.53720	0.23880	0.2768	0.07615
13.540	14.36	87.46	566.3	0.09779	0.08129	0.06664	0.04781	0.1885	0.05766	⋯	15.11	19.26	99.70	711.2	0.1440	0.1773	0.23900	0.12880	0.2977	0.07259
13.080	15.71	85.63	520.0	0.10750	0.12700	0.04568	0.03110	0.1967	0.06811	⋯	14.50	20.49	96.09	630.5	0.1312	0.2776	0.18900	0.07283	0.3184	0.08183
9.504	12.44	60.34	273.9	0.10240	0.06492	0.02956	0.02076	0.1815	0.06905	⋯	10.23	15.66	65.13	314.9	0.1324	0.1148	0.08867	0.06227	0.2450	0.07773
15.340	14.26	102.50	704.4	0.10730	0.21350	0.20770	0.09756	0.2521	0.07032	⋯	18.07	19.08	125.10	980.9	0.1390	0.5954	0.63050	0.23930	0.4667	0.09946
21.160	23.04	137.20	1404.0	0.09428	0.10220	0.10970	0.08632	0.1769	0.05278	⋯	29.17	35.59	188.00	2615.0	0.1401	0.2600	0.31550	0.20090	0.2822	0.07526
16.650	21.38	110.00	904.6	0.11210	0.14570	0.15250	0.09170	0.1995	0.06330	⋯	26.46	31.56	177.00	2215.0	0.1805	0.3578	0.46950	0.20950	0.3613	0.09564
17.140	16.40	116.00	912.7	0.11860	0.22760	0.22290	0.14010	0.3040	0.07413	⋯	22.25	21.40	152.40	1461.0	0.1545	0.3949	0.38530	0.25500	0.4066	0.10590
14.580	21.53	97.41	644.8	0.10540	0.18680	0.14250	0.08783	0.2252	0.06924	⋯	17.62	33.21	122.40	896.9	0.1525	0.6643	0.55390	0.27010	0.4264	0.12750
18.610	20.25	122.10	1094.0	0.09440	0.10660	0.14900	0.07731	0.1697	0.05699	⋯	21.31	27.26	139.90	1403.0	0.1338	0.2117	0.34460	0.14900	0.2341	0.07421
15.300	25.27	102.40	732.4	0.10820	0.16970	0.16830	0.08751	0.1926	0.06540	⋯	20.27	36.71	149.30	1269.0	0.1641	0.6110	0.63350	0.20240	0.4027	0.09876
17.570	15.05	115.00	955.1	0.09847	0.11570	0.09875	0.07953	0.1739	0.06149	⋯	20.01	19.52	134.90	1227.0	0.1255	0.2812	0.24890	0.14560	0.2756	0.07919
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋱	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
7.691	25.44	48.34	170.4	0.08668	0.11990	0.092520	0.013640	0.2037	0.07751	⋯	8.678	31.89	54.49	223.6	0.15960	0.30640	0.33930	0.05000	0.2790	0.10660
11.540	14.44	74.65	402.9	0.09984	0.11200	0.067370	0.025940	0.1818	0.06782	⋯	12.260	19.68	78.78	457.8	0.13450	0.21180	0.17970	0.06918	0.2329	0.08134
14.470	24.99	95.81	656.4	0.08837	0.12300	0.100900	0.038900	0.1872	0.06341	⋯	16.220	31.73	113.50	808.9	0.13400	0.42020	0.40400	0.12050	0.3187	0.10230
14.740	25.42	94.70	668.6	0.08275	0.07214	0.041050	0.030270	0.1840	0.05680	⋯	16.510	32.29	107.40	826.4	0.10600	0.13760	0.16110	0.10950	0.2722	0.06956
13.210	28.06	84.88	538.4	0.08671	0.06877	0.029870	0.032750	0.1628	0.05781	⋯	14.370	37.17	92.48	629.6	0.10720	0.13810	0.10620	0.07958	0.2473	0.06443
13.870	20.70	89.77	584.8	0.09578	0.10180	0.036880	0.023690	0.1620	0.06688	⋯	15.050	24.75	99.17	688.6	0.12640	0.20370	0.13770	0.06845	0.2249	0.08492
13.620	23.23	87.19	573.2	0.09246	0.06747	0.029740	0.024430	0.1664	0.05801	⋯	15.350	29.09	97.58	729.8	0.12160	0.15170	0.10490	0.07174	0.2642	0.06953
10.320	16.35	65.31	324.9	0.09434	0.04994	0.010120	0.005495	0.1885	0.06201	⋯	11.250	21.77	71.12	384.9	0.12850	0.08842	0.04384	0.02381	0.2681	0.07399
10.260	16.58	65.85	320.8	0.08877	0.08066	0.043580	0.024380	0.1669	0.06714	⋯	10.830	22.04	71.08	357.4	0.14610	0.22460	0.17830	0.08333	0.2691	0.09479
9.683	19.34	61.05	285.7	0.08491	0.05030	0.023370	0.009615	0.1580	0.06235	⋯	10.930	25.59	69.10	364.2	0.11990	0.09546	0.09350	0.03846	0.2552	0.07920
10.820	24.21	68.89	361.6	0.08192	0.06602	0.015480	0.008160	0.1976	0.06328	⋯	13.030	31.45	83.90	505.6	0.12040	0.16330	0.06194	0.03264	0.3059	0.07626
10.860	21.48	68.51	360.5	0.07431	0.04227	0.000000	0.000000	0.1661	0.05948	⋯	11.660	24.77	74.08	412.3	0.10010	0.07348	0.00000	0.00000	0.2458	0.06592
11.130	22.44	71.49	378.4	0.09566	0.08194	0.048240	0.022570	0.2030	0.06552	⋯	12.020	28.26	77.80	436.6	0.10870	0.17820	0.15640	0.06413	0.3169	0.08032
12.770	29.43	81.35	507.9	0.08276	0.04234	0.019970	0.014990	0.1539	0.05637	⋯	13.870	36.00	88.10	594.7	0.12340	0.10640	0.08653	0.06498	0.2407	0.06484
9.333	21.94	59.01	264.0	0.09240	0.05605	0.039960	0.012820	0.1692	0.06576	⋯	9.845	25.05	62.86	295.8	0.11030	0.08298	0.07993	0.02564	0.2435	0.07393
12.880	28.92	82.50	514.3	0.08123	0.05824	0.061950	0.023430	0.1566	0.05708	⋯	13.890	35.74	88.84	595.7	0.12270	0.16200	0.24390	0.06493	0.2372	0.07242
10.290	27.61	65.67	321.4	0.09030	0.07658	0.059990	0.027380	0.1593	0.06127	⋯	10.840	34.91	69.57	357.6	0.13840	0.17100	0.20000	0.09127	0.2226	0.08283
10.160	19.59	64.73	311.7	0.10030	0.07504	0.005025	0.011160	0.1791	0.06331	⋯	10.650	22.88	67.88	347.3	0.12650	0.12000	0.01005	0.02232	0.2262	0.06742
9.423	27.88	59.26	271.3	0.08123	0.04971	0.000000	0.000000	0.1742	0.06059	⋯	10.490	34.24	66.50	330.6	0.10730	0.07158	0.00000	0.00000	0.2475	0.06969
14.590	22.68	96.39	657.1	0.08473	0.13300	0.102900	0.037360	0.1454	0.06147	⋯	15.480	27.27	105.90	733.5	0.10260	0.31710	0.36620	0.11050	0.2258	0.08004
11.510	23.93	74.52	403.5	0.09261	0.10210	0.111200	0.041050	0.1388	0.06570	⋯	12.480	37.16	82.28	474.2	0.12980	0.25170	0.36300	0.09653	0.2112	0.08732
14.050	27.15	91.38	600.4	0.09929	0.11260	0.044620	0.043040	0.1537	0.06171	⋯	15.300	33.17	100.20	706.7	0.12410	0.22640	0.13260	0.10480	0.2250	0.08321
11.200	29.37	70.67	386.0	0.07449	0.03558	0.000000	0.000000	0.1060	0.05502	⋯	11.920	38.30	75.19	439.6	0.09267	0.05494	0.00000	0.00000	0.1566	0.05905
15.220	30.62	103.40	716.9	0.10480	0.20870	0.255000	0.094290	0.2128	0.07152	⋯	17.520	42.79	128.70	915.0	0.14170	0.79170	1.17000	0.23560	0.4089	0.14090
20.920	25.09	143.00	1347.0	0.10990	0.22360	0.317400	0.147400	0.2149	0.06879	⋯	24.290	29.41	179.10	1819.0	0.14070	0.41860	0.65990	0.25420	0.2929	0.09873
21.560	22.39	142.00	1479.0	0.11100	0.11590	0.243900	0.138900	0.1726	0.05623	⋯	25.450	26.40	166.10	2027.0	0.14100	0.21130	0.41070	0.22160	0.2060	0.07115
20.130	28.25	131.20	1261.0	0.09780	0.10340	0.144000	0.097910	0.1752	0.05533	⋯	23.690	38.25	155.00	1731.0	0.11660	0.19220	0.32150	0.16280	0.2572	0.06637
16.600	28.08	108.30	858.1	0.08455	0.10230	0.092510	0.053020	0.1590	0.05648	⋯	18.980	34.12	126.70	1124.0	0.11390	0.30940	0.34030	0.14180	0.2218	0.07820
20.600	29.33	140.10	1265.0	0.11780	0.27700	0.351400	0.152000	0.2397	0.07016	⋯	25.740	39.42	184.60	1821.0	0.16500	0.86810	0.93870	0.26500	0.4087	0.12400
7.760	24.54	47.92	181.0	0.05263	0.04362	0.000000	0.000000	0.1587	0.05884	⋯	9.456	30.37	59.16	268.6	0.08996	0.06444	0.00000	0.00000	0.2871	0.07039