NNclust Parantes Del Final Nuevo Precio - VASQUEZ

Instructions on Using the tool
( Clustering using Self Organizing Maps)
Step 1: Enter Your Data

(A) Enter your data in The Data worksheet, starting from the cell C13
(B) The observations should be in rows and the variables should be in columns.
(C) Above each column, choose appropriate Type (Use , Omit)
To drop a column from the clustering process - set the type = Omit
To use a column for clustering, set type = Use
You can use atmost 50 variables for Clustering. Application will automatically treat them all as continuous variables.
Make sure that the number variables entered in Input sheet exactly matches total no. of columns in your data w
Make sure that the number of observations entered in Input sheet is <= no. of rows in your Data Sheet
(D) Please make sure that your data does not have blank rows or blank columns.
(E) All the variables to be used in the Clustering needs to be necessarily numeric
Any non-number in the clustering variables will be treated as missing value.
Application will replace it by the respective column mean
Step 2: Fill up the inputs in the Inputs page

(A) Note that the SOM is a square grid of n-sqaure neurons, arranged in n rows and n columns
You need to specify n. n should be between 2 and 10
(B) Once cycle consists of presenting ALL the observation to the map - once.
You need to specify number of cycles
(C) In each cycle all the observations are presented to the map once.
Order in which they are presented could be random - hence varies from cycle to cycle
or could be in the original order in which you have entered the data in Data sheet. Select the option you want.
(D) Make sure that the end value of the learning parameter is less than the start value and both the values are strictly betw
(E) Make sure that the end value of Sigma is less than the start value and both the values are strictly between 0% and 100
(F) As the training of the map progreses, both Learning Parameter and Sigma is decreased from the start value to the end
you may choose the rate of this decay as linear or exponential.
Step 3: Click on the Build Clusters button

(A) While training the map actual variables in the data are scaled so that for each variable - values are between -1 and 1.
This is called Normalization of data. Normalization takes a long time - specially for large data sets.
If you are training the map same data set on two succesive runs - you may skip the normalization for the second run.
Application will ask you whether to skip normalization or not. Skipping normalization saves a lot of time.
However application only checks the number of rows and columns of your data to determine whether it has changed since
It does not check the individual values in the data set.
So if you are not sure whether you have changed the data since last run - it's a better idea to normalize the data again.
(B) If you are training the map on same variables and the map size is same as that in the just previous run
the application will ask you whether to start with the weights obtained in the previous run.
Starting with previous weights provide incremental learning.
Using this option you can build upon what has been already learned by the map so far.
However - if you have changed your data set or the variables or the ordering of the variable you should start with fresh wei
Step 4: Output of Clustering
(A) Outputs will be generated in Output sheet. You can only see it but can't modify since the sheet is protected.
(B) Application gives you an option of saving the results in a separate workbook where you can edit the output
(C) In that new workbook, the data along with Cluster labels, cluster means and variances will be saved
Also, a Radar plot will be created to let you visually compare the means of the variables across different clusters.
(D) In that Weights sheet a plot will be generated to visually depict which portion of the map captured how many data point
izing Maps)
hem all as continuous variables.

ches total no. of columns in your data with type = Use
no. of rows in your Data Sheet
elect the option you want.

ue and both the values are strictly between 0 and 1
values are strictly between 0% and 100%
creased from the start value to the end value
ariable - values are between -1 and 1.

arge data sets.
normalization for the second run.
saves a lot of time.
etermine whether it has changed since last run
er idea to normalize the data again.
in the just previous run
variable you should start with fresh weights
ince the sheet is protected.

ere you can edit the output
iances will be saved
bles across different clusters.
the map captured how many data points.
Neural Network based Clustering

( Using Kohonen's Self Organizing Maps (SOM) )
Number of observations
1038
( Needs to be between 5 and 5,000 )
Number of Variables
( Needs to be between 3 and 50 )

Enter n , where n -Square = # neurons in the map
( n needs to be between 2 and 10 )

[ Note: By entering n you are specifying that the maximum
number of clusters will be at most n -square.
e.g. if you enter n = 4, you will get less than or equal to 16 clusters]
Number of training cycles
100
( Needs to be between 1 and 1000 )
Randomize the order in which inputs

are presented to the map ?
Learning parameter (should be >0 and <1 )

Start value
End value
Decay
No
Sigma for the Gaussian neighborhood

as % of map width (should be > 0% and < 100% )
Start value
End value
Decay
ameter (should be >0 and <1 )

0.9
0.1
Exponential
e Gaussian neighborhood
width (should be > 0% and < 100% )
50.0%
1.0%
Exponential
Enter your Data in this sheet

Instructions:
Start Entering your data from cell C13.
Specify variable names in row 11.
Use - to use variable for clustering, Omit - not to use the variable for clus
Specify variable type in row 10.
Please make sure that there are no blank row or column in your data.
The variables that you use for clustering needs to be numeric
Any non-number in your data will be treated as missing value and will be replaced by the respective column mean
Use
Use
Use
Omit
Omit
cantidad
precio prom. X artic.
total de factura
Y4
Y5
1
1
7.000
7.000
49.000
7.000
7.000
49.000
4.000
4.000
16.000
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3.000
5.000
15.000
3.000
4.000
12.000
3.000
5.000
15.000
5.000
4.000
20.000
3.000
3.500
10.500
3.000
4.000
12.000
3.000
3.500
10.500
3.000
5.000
15.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
3.000
36.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
3.000
4.000
12.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
7.000
7.000
49.000
7.000
7.000
49.000
2
2
2
2
2
2
2
2
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
7.000
49.000
7.000
5.000
35.000
7.000
5.000
35.000
7.000
7.000
49.000
7.000
7.000
49.000
3.000
6.000
18.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
5.000
10.000
3.000
5.000
15.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
3.000
6.000
18.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
2.000
4.500
10.500
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
3.000
6.000
18.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
2.000
5.000
10.000
2.000
6.000
12.000
3.000
4.000
10.000
3.000
3.000
10.500
3.000
4.500
14.500
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
4.000
3.000
12.000
3.000
5.000
15.000
2.000
6.000
12.000
3.000
3.000
9.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3.000
4.000
10.000
3.000
3.000
10.500
4.000
3.000
12.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
1.500
7.500
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
1.500
15.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
1.500
13.500
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
7.000
1.500
10.500
5.000
6.000
30.000
5.000
3.000
15.000
4.000
5.000
20.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
5.000
4.000
20.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
1.500
15.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
1.500
15.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
3.000
5.000
15.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
3.000
4.000
12.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
5.000
3.000
15.000
4.000
5.000
20.000
2.000
6.000
12.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
4.500
9.000
3.000
3.500
10.500
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
1.500
15.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
3.000
5.500
16.000
3.000
5.000
15.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
9.000
5.000
45.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
2.000
5.000
10.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
7.000
4.000
28.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
2.000
5.000
10.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
9.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
8.000
3.000
24.000
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3.000
3.000
2.000
3.000
10.500
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
1.500
15.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
4.000
4.000
16.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
3.000
4.000
12.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
2.000
6.000
12.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3.000
3.500
3.000
3.000
10.500
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
1.500
18.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
6.000
5.000
30.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2.000
6.000
12.000
7.000
6.000
42.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
2.000
5.000
10.000
1.000
4.000
4.000
2.000
6.000
12.000
6.000
5.000
30.000
5.000
6.000
30.000
2.000
3.000
6.000
1.000
5.000
5.000
2.000
6.000
12.000
3.000
3.000
9.000
3.000
4.000
10.000
3.000
3.000
10.500
2.000
3.000
6.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
3.500
10.500
3.000
3.000
9.000
3.000
4.000
12.000
4.000
4.000
16.000
5.000
3.000
15.000
4.000
3.500
14.000
8.000
3.000
24.000
9.000
2.500
22.500
10.000
3.500
35.000
2
2
2
2
2
2
2
2
2
7.000
4.000
28.000
12.000
2.500
30.000
8.000
4.000
32.000
9.000
3.000
27.000
6.000
4.500
27.000
10.000
3.500
35.000
8.000
4.000
32.000
9.000
5.000
45.000
12.000
1.500
18.000
- not to use the variable for clustering
spective column mean
Omit
Omit
Omit
Omit
Omit
Omit
Y6
Y7
Y8
Y9
X10
X11
Omit
Omit
Omit
Omit
Omit
Omit
X12
X13
X14
X15
X16
X17
Omit
Omit
Omit
Omit
Omit
Omit
X18
X19
X20
X21
X22
X23
Omit
Omit
Omit
Omit
Omit
Omit
X24
X25
X26
X27
X28
X29
Omit
Omit
Omit
Omit
Omit
Omit
X30
X31
X32
X33
X34
X35
Omit
Omit
Omit
Omit
Omit
Omit
X36
X37
X38
X39
X40
X41
Omit
Omit
Omit
Omit
Omit
Omit
X42
X43
X44
X45
X46
X47
Omit
Omit
Omit
X48
X49
X50
Table of Winner Nueron

Scale for graph
Major Unit
0.33
Old Settings
Grid Size
# Obs
# Vars
Original Col Numbers
3
1038
3
1
2
3
7
7
7
8
8
9
Obs
0.05003065
0.76858043
0.1331562
0.88917045
0.20731958
0.78804666
0.0590918
0.75002735
0.13375765
0.90670609
0.06752597
0.85648757
0.17742226
0.24490983
0.17032188
0.72087815
0.12424887
0.87610158
10
0.2200654
0.80002488
11
0.19334352
0.74087981
12
0.2345442
0.82181471
13
0.22396199
0.88606054
14
0.07956029
0.7367583
15
0.08748896
0.89540638
16
0.14340916
0.79455251
17
0.15775052
0.94535573
18
0.20302562
0.7456429
19
0.20632668
0.91908527
20
0.21512965
0.73445289
21
0.22286383
0.74557245
22
0.2323722
0.85094627
23
0.12705395
0.79699135
24
0.14448106
0.74052302
25
0.23894709
0.94444182
26
0.17774
0.90558182
27
0.17426386
0.83867866
28
0.05280127
0.79874921
29
0.13137464
0.94917413
30
0.06749815
0.27444207
31
0.13661202
0.86151374
32
0.1379907
0.89876362
33
0.28125002
0.89979216
34
0.06491164
0.81773223
35
0.08348319
0.77400896
36
0.09117888
0.9171776
37
0.24207255
0.85246453
38
0.11814128
0.80763643
39
0.24832464
0.92582252
40
0.14672454
0.73424828
41
0.256404
0.07691
0.211979
0.265549
0.205869
0.275838
0.18602
0.251802
0.896172
0.778318
0.824425
0.817212
0.802709
0.77592
0.8851
0.936951
3
3
3
3
3
3
3
3
42
43
44
45
46
47
48
Nrn ID
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
0.194487
0.251106
0.196081
0.102865
0.198675
0.257125
0.198526
0.126011
0.183912
0.216535
0.197115
0.121745
0.221403
0.070205
0.126338
0.200469
0.138088
0.127233
0.201411
0.199145
0.099964
0.248281
0.101616
0.264631
0.262094
0.195572
0.25363
0.270349
0.18527
0.216224
0.081524
0.166283
0.119343
0.225586
0.223433
0.095645
0.186564
0.157236
0.081554
0.278211
0.264911
0.079646
0.272148
0.193652
0.104759
0.07952
0.175536
0.098202
0.145544
0.145122
0.15277
0.20799
0.843348
0.908563
0.914276
0.751326
0.072174
0.763016
0.926195
0.855179
0.942752
0.921359
0.792911
0.796995
0.891458
0.744317
0.827623
0.828906
0.754148
0.821261
0.734678
0.856691
0.849492
0.753544
0.892901
0.789773
0.828971
0.904495
0.838927
0.891223
0.726878
0.882757
0.783876
0.727754
0.843652
0.825618
0.796674
0.91973
0.929212
0.149012
0.920731
0.92449
0.766289
0.764186
0.823933
0.786354
0.753761
0.761033
0.848648
0.78662
0.856649
0.724758
0.728388
0.860235
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
0.232433
0.282946
0.262297
0.115708
0.199653
0.167716
0.143294
0.073945
0.220497
0.192384
0.065666
0.178517
0.223983
0.184799
0.113382
0.251804
0.244863
0.224371
0.067805
0.192748
0.073613
0.05874
0.224361
0.09352
0.073108
0.153776
0.109207
0.122855
0.128619
0.17691
0.229227
0.176047
0.231145
0.280469
0.088701
0.224956
0.127414
0.051677
0.17264
0.201336
0.136551
0.262653
0.196782
0.113505
0.100076
0.187079
0.157596
0.163009
0.198571
0.050198
0.215611
0.16129
0.72279
0.752545
0.871144
0.945787
0.732831
0.770224
0.84272
0.868846
0.716899
0.88227
0.8834
0.925296
0.771266
0.788473
0.857945
0.83133
0.908352
0.833934
0.838932
0.773456
0.940055
0.725732
0.756746
0.825159
0.82775
0.816259
0.749589
0.83024
0.798961
0.819889
0.813471
0.752808
0.764024
0.862971
0.918886
0.793955
0.899419
0.900502
0.894137
0.808417
0.831106
0.832793
0.77534
0.887909
0.917859
0.855463
0.923091
0.777793
0.734596
0.876115
0.739132
0.26041
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
0.135016
0.212151
0.112089
0.113018
0.184784
0.117974
0.219017
0.099428
0.145646
0.280931
0.255781
0.16165
0.154434
0.06585
0.105827
0.184041
0.10371
0.139121
0.166666
0.24419
0.225099
0.25203
0.066537
0.262914
0.27262
0.057425
0.181074
0.120926
0.106024
0.159716
0.116641
0.242168
0.274121
0.131545
0.226998
0.077145
0.264787
0.263779
0.096633
0.086256
0.254957
0.282185
0.057433
0.223131
0.060633
0.164089
0.138676
0.051296
0.186874
0.255048
0.183707
0.260839
0.822381
0.864328
0.883016
0.738411
0.938425
0.734995
0.822111
0.784764
0.872751
0.931654
0.814928
0.826078
0.798194
0.909823
0.861127
0.859278
0.920401
0.886999
0.818177
0.768267
0.8945
0.792657
0.751361
0.907261
0.875096
0.851587
0.81711
0.817453
0.932942
0.767221
0.912997
0.743686
0.271602
0.771641
0.79441
0.817777
0.910787
0.808905
0.891215
0.941859
0.903019
0.885053
0.791093
0.905045
0.883633
0.718101
0.7562
0.733423
0.854111
0.788046
0.906507
0.806731
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
0.077806
0.218848
0.199931
0.21841
0.099949
0.087504
0.242149
0.183889
0.258886
0.144593
0.062559
0.260384
0.082595
0.108588
0.160754
0.277567
0.138116
0.18286
0.267056
0.14167
0.281554
0.239006
0.159182
0.185492
0.241409
0.166853
0.245581
0.118389
0.201907
0.224458
0.282096
0.076284
0.219674
0.221441
0.188631
0.27166
0.107064
0.102316
0.165823
0.176897
0.248825
0.06316
0.111701
0.27427
0.085437
0.201615
0.205025
0.072617
0.096439
0.166882
0.088617
0.090672
0.732079
0.820198
0.869798
0.808351
0.934644
0.835178
0.831669
0.77531
0.861725
0.79892
0.71886
0.748283
0.879385
0.072672
0.782594
0.888255
0.803168
0.862992
0.781902
0.893193
0.948098
0.738419
0.800297
0.814708
0.845342
0.812804
0.895771
0.94139
0.758882
0.895311
0.750795
0.748808
0.868845
0.740414
0.722317
0.882846
0.921504
0.86457
0.791769
0.94303
0.81261
0.796212
0.915056
0.765869
0.937395
0.825754
0.239235
0.774847
0.907235
0.722255
0.785837
0.930432
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
0.050437
0.209726
0.152696
0.107064
0.055095
0.132474
0.251542
0.210319
0.207142
0.105684
0.053499
0.215525
0.242369
0.084808
0.090971
0.247664
0.118964
0.160194
0.243761
0.158285
0.134175
0.207086
0.089065
0.108827
0.107647
0.235625
0.18481
0.220631
0.198089
0.274178
0.086318
0.224928
0.086604
0.252679
0.096308
0.279516
0.260024
0.119288
0.214893
0.152086
0.260912
0.190394
0.256249
0.270227
0.204224
0.100617
0.198617
0.204755
0.193982
0.086139
0.067629
0.186384
0.832988
0.78342
0.900875
0.846735
0.741654
0.7856
0.871508
0.841511
0.926381
0.800459
0.876039
0.886165
0.896464
0.844973
0.833919
0.722412
0.894008
0.764762
0.755742
0.91228
0.843932
0.817429
0.859918
0.854776
0.9373
0.855886
0.755999
0.102553
0.814656
0.911693
0.728021
0.878576
0.849356
0.845055
0.917827
0.826124
0.864235
0.928155
0.741744
0.725454
0.948275
0.795159
0.873907
0.810469
0.873269
0.72554
0.796268
0.85205
0.91049
0.827422
0.781922
0.741393
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
0.206601
0.168037
0.052985
0.055722
0.20756
0.268951
0.158442
0.079939
0.268066
0.096416
0.085158
0.136105
0.215056
0.192866
0.281684
0.06118
0.21453
0.185626
0.193966
0.235358
0.188217
0.070253
0.248681
0.065392
0.163573
0.093868
0.103235
0.201267
0.157119
0.171817
0.162429
0.086196
0.057771
0.237679
0.061794
0.173286
0.210174
0.126593
0.184256
0.175544
0.131369
0.158596
0.143471
0.115868
0.260794
0.088618
0.067157
0.210389
0.21028
0.156488
0.247095
0.051799
0.780689
0.920905
0.845111
0.840005
0.937432
0.888069
0.857888
0.929705
0.150429
0.78964
0.90012
0.795958
0.822202
0.748323
0.909486
0.811211
0.804753
0.832136
0.798144
0.884885
0.882897
0.937742
0.802733
0.813385
0.857593
0.907117
0.901034
0.863426
0.79595
0.87755
0.928643
0.722036
0.91455
0.931641
0.928969
0.779888
0.762793
0.747303
0.803233
0.84797
0.739555
0.21443
0.893801
0.740912
0.809859
0.784893
0.934185
0.860327
0.854873
0.78921
0.865711
0.911472
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
0.280723
0.270262
0.089127
0.126019
0.178748
0.122893
0.096492
0.062199
0.066707
0.242228
0.119826
0.149386
0.212684
0.241012
0.173826
0.053188
0.173823
0.100219
0.087251
0.09911
0.079666
0.052383
0.086257
0.222552
0.28215
0.231604
0.211062
0.085478
0.072273
0.090209
0.199279
0.126412
0.130099
0.148754
0.069253
0.277109
0.07475
0.246026
0.236722
0.079219
0.214414
0.122372
0.231488
0.200956
0.263007
0.236371
0.21408
0.220428
0.156841
0.248161
0.159093
0.142306
0.788579
0.819877
0.720848
0.719916
0.907771
0.748037
0.739881
0.814874
0.842054
0.740145
0.787571
0.912542
0.83718
0.907968
0.936493
0.73276
0.938381
0.725255
0.883702
0.815682
0.8737
0.777729
0.100731
0.771771
0.87066
0.779763
0.816925
0.798473
0.839596
0.857709
0.769442
0.863546
0.723657
0.733229
0.919921
0.821726
0.848801
0.773299
0.83781
0.764727
0.873803
0.940207
0.883706
0.904579
0.840247
0.908222
0.926016
0.756954
0.822531
0.880257
0.924295
0.891173
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
0.17129
0.069446
0.205181
0.281157
0.104124
0.21349
0.07173
0.211445
0.092177
0.278455
0.108854
0.050861
0.261342
0.23073
0.247395
0.110327
0.143245
0.054934
0.115592
0.077326
0.191906
0.103916
0.089081
0.065904
0.267074
0.282087
0.240891
0.266671
0.217561
0.162086
0.224783
0.13013
0.231241
0.268116
0.091912
0.116683
0.251718
0.092609
0.174164
0.179958
0.09499
0.079558
0.267484
0.116815
0.266121
0.107855
0.215217
0.150674
0.209234
0.074617
0.258101
0.114853
0.811199
0.771204
0.812576
0.280201
0.829606
0.791268
0.849372
0.917316
0.817256
0.862634
0.801006
0.799442
0.746462
0.736131
0.758284
0.943816
0.739018
0.807903
0.786488
0.771318
0.949529
0.83607
0.808714
0.756478
0.748749
0.757402
0.722537
0.910803
0.940241
0.803976
0.750012
0.899445
0.843716
0.919854
0.854337
0.85787
0.078364
0.87774
0.856525
0.808523
0.846185
0.862318
0.785402
0.777494
0.915328
0.886918
0.760937
0.911186
0.870087
0.910183
0.877581
0.892981
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
0.057517
0.245193
0.217604
0.269231
0.283218
0.203161
0.079258
0.250251
0.180982
0.133661
0.109321
0.120917
0.084518
0.240061
0.271449
0.254129
0.083262
0.160627
0.110028
0.282683
0.139047
0.251853
0.266837
0.149272
0.202769
0.071796
0.264387
0.22315
0.097717
0.130074
0.255916
0.250134
0.102913
0.13787
0.208725
0.169271
0.136438
0.057927
0.25418
0.229502
0.105439
0.221219
0.104373
0.172999
0.256122
0.276948
0.102125
0.051829
0.123759
0.242545
0.170989
0.111287
0.894234
0.719401
0.854263
0.759908
0.854355
0.747174
0.851058
0.785973
0.88318
0.78808
0.885852
0.89883
0.796254
0.815347
0.71768
0.796444
0.908599
0.197513
0.896719
0.763759
0.751383
0.915094
0.780963
0.856033
0.821922
0.777255
0.752881
0.782169
0.833676
0.905139
0.93609
0.721382
0.76625
0.881866
0.845352
0.739867
0.74873
0.935871
0.903243
0.907465
0.943013
0.890901
0.923483
0.947661
0.727144
0.749349
0.927604
0.820922
0.911978
0.808919
0.128287
0.841358
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
0.282681
0.153673
0.165246
0.206567
0.129618
0.180887
0.219904
0.152755
0.10036
0.27964
0.16737
0.074836
0.153094
0.073613
0.120778
0.057689
0.118402
0.138051
0.123992
0.262757
0.282597
0.249759
0.268272
0.111377
0.104387
0.203775
0.108941
0.268116
0.198208
0.163363
0.182049
0.19077
0.117559
0.076684
0.254377
0.113698
0.105002
0.260128
0.140102
0.231156
0.275496
0.11498
0.050797
0.113959
0.266393
0.110756
0.245428
0.226153
0.05411
0.268532
0.213693
0.175016
0.824518
0.845963
0.846023
0.860061
0.757911
0.932144
0.792448
0.848432
0.921451
0.851104
0.787014
0.781522
0.857243
0.915131
0.840315
0.75469
0.723541
0.915161
0.937427
0.866945
0.944741
0.93744
0.921237
0.87094
0.928054
0.780194
0.842444
0.756306
0.813503
0.770294
0.842895
0.199654
0.890589
0.946591
0.805581
0.84791
0.781628
0.943249
0.937973
0.934975
0.725079
0.806411
0.72202
0.898399
0.758881
0.877531
0.897485
0.86271
0.837121
0.743377
0.77861
0.722747
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
0.070791
0.277617
0.192686
0.227717
0.154312
0.078878
0.116896
0.261323
0.131608
0.214748
0.201539
0.112798
0.16868
0.07922
0.125898
0.162334
0.187255
0.134518
0.083315
0.050018
0.214792
0.161095
0.197863
0.192502
0.267811
0.074298
0.174342
0.26633
0.235227
0.274372
0.11495
0.257945
0.228353
0.129791
0.169281
0.113686
0.230896
0.193922
0.184323
0.089785
0.215627
0.221699
0.054461
0.169039
0.261044
0.219614
0.071475
0.177474
0.201377
0.095725
0.107876
0.134343
0.946696
0.752696
0.937448
0.726998
0.757317
0.732881
0.753866
0.894261
0.904838
0.806635
0.865544
0.89698
0.10793
0.808645
0.717972
0.877914
0.718072
0.868906
0.781121
0.866798
0.769559
0.829394
0.799442
0.897015
0.762831
0.827398
0.841862
0.888926
0.914472
0.945519
0.718458
0.766537
0.77388
0.86167
0.797117
0.807502
0.739932
0.899077
0.720204
0.826454
0.777651
0.742945
0.921233
0.758336
0.768206
0.057124
0.874861
0.775073
0.858911
0.767446
0.846893
0.935568
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
0.209915
0.242985
0.200235
0.135465
0.215681
0.255907
0.199187
0.236552
0.253422
0.213904
0.11943
0.103212
0.113617
0.097947
0.25639
0.06095
0.159141
0.140574
0.136223
0.2785
0.275264
0.242549
0.265813
0.184492
0.219652
0.089533
0.149441
0.217451
0.2057
0.202082
0.272117
0.075797
0.085865
0.185649
0.116246
0.234516
0.168336
0.247249
0.144963
0.195152
0.167026
0.14546
0.052133
0.235816
0.251583
0.240421
0.279014
0.127843
0.230713
0.210501
0.264262
0.185803
0.879893
0.745053
0.844278
0.835703
0.927425
0.823066
0.73178
0.891671
0.780591
0.87992
0.815305
0.823315
0.717958
0.856027
0.791909
0.937454
0.934234
0.870449
0.79979
0.844552
0.723609
0.870888
0.834962
0.742056
0.929752
0.750363
0.201249
0.831054
0.795811
0.930538
0.726955
0.732951
0.88108
0.845055
0.914864
0.772795
0.84433
0.922868
0.858904
0.929281
0.727147
0.838246
0.894151
0.718082
0.837264
0.794103
0.746824
0.941852
0.931888
0.938663
0.817625
0.773556
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
0.13552
0.102299
0.19393
0.217491
0.102837
0.213976
0.184797
0.107265
0.258558
0.278588
0.167706
0.166047
0.134309
0.280755
0.237564
0.081321
0.184109
0.106658
0.070004
0.200465
0.267708
0.127374
0.204725
0.247423
0.233917
0.148877
0.062152
0.139366
0.270611
0.228703
0.160108
0.10336
0.088061
0.092616
0.130478
0.093035
0.202265
0.184611
0.235875
0.138583
0.184952
0.150244
0.086309
0.230092
0.180246
0.119969
0.155854
0.200879
0.088001
0.125799
0.265976
0.077491
0.801045
0.782132
0.898398
0.906472
0.850902
0.946694
0.755469
0.20419
0.820439
0.949847
0.946308
0.783947
0.831452
0.721065
0.836198
0.766626
0.805213
0.718471
0.814902
0.826753
0.812473
0.878832
0.779995
0.742503
0.723464
0.734229
0.720197
0.87903
0.791229
0.92872
0.832042
0.90513
0.834958
0.768343
0.936541
0.843251
0.82332
0.904451
0.829187
0.719481
0.091129
0.883706
0.863284
0.913557
0.789344
0.898085
0.899948
0.875528
0.868407
0.734875
0.891441
0.875756
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
0.147133
0.217979
0.168872
0.196368
0.118953
0.114983
0.130804
0.15385
0.103837
0.253512
0.115426
0.089504
0.19122
0.271832
0.13379
0.102791
0.109603
0.059771
0.127676
0.136405
0.276547
0.108717
0.086261
0.092933
0.28201
0.228291
0.162783
0.184858
0.171678
0.129674
0.091211
0.117895
0.096968
0.242276
0.236243
0.140984
0.198358
0.197072
0.076637
0.22963
0.255389
0.10993
0.18855
0.202568
0.269998
0.231615
0.262199
0.07176
0.116518
0.131122
0.151866
0.159064
0.861568
0.826677
0.764505
0.72158
0.901559
0.734739
0.77036
0.807321
0.803923
0.898952
0.901374
0.830944
0.883683
0.887856
0.774392
0.84406
0.905342
0.915301
0.914071
0.901926
0.899546
0.123783
0.769551
0.94678
0.81309
0.734447
0.931113
0.924502
0.858912
0.797079
0.913519
0.901288
0.932766
0.740114
0.906013
0.946978
0.729882
0.853966
0.722314
0.785059
0.794969
0.907694
0.850622
0.842662
0.772219
0.732336
0.936949
0.733899
0.921966
0.804242
0.835121
0.776527
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
0.125011
0.212339
0.225893
0.279569
0.2646
0.197388
0.083352
0.091591
0.26014
0.176615
0.070712
0.146678
0.175546
0.258598
0.231836
0.139603
0.063798
0.220144
0.191318
0.191706
0.083601
0.089622
0.20448
0.267553
0.149395
0.263631
0.107373
0.058274
0.281344
0.223664
0.133445
0.264894
0.255343
0.052778
0.096872
0.148334
0.186351
0.085592
0.209227
0.212745
0.178387
0.091622
0.26281
0.222173
0.207868
0.091944
0.213985
0.25056
0.240272
0.242533
0.066513
0.098411
0.837357
0.728411
0.056774
0.941949
0.727688
0.755151
0.754693
0.738548
0.835062
0.730084
0.939472
0.72835
0.851067
0.910811
0.796187
0.777031
0.733432
0.916911
0.867724
0.870576
0.822702
0.779944
0.738118
0.765285
0.792233
0.826783
0.782547
0.804434
0.931526
0.862943
0.884002
0.868283
0.862897
0.755923
0.783288
0.057399
0.824805
0.785198
0.895689
0.842665
0.85519
0.825557
0.794298
0.881943
0.908137
0.930433
0.726692
0.736739
0.737211
0.748573
0.798259
0.888874
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
0.113474
0.250923
0.221549
0.109459
0.121076
0.19288
0.194312
0.120667
0.195746
0.162398
0.130747
0.278894
0.259211
0.155033
0.2242
0.224228
0.105595
0.184572
0.132074
0.139986
0.218087
0.166363
0.259172
0.16938
0.252267
0.267316
0.241024
0.065521
0.086116
0.089238
0.227223
0.241411
0.170007
0.185498
0.064758
0.253285
0.243376
0.077695
0.114681
0.083939
0.151391
0.23899
0.202106
0.259398
0.194947
0.110771
0.199541
0.098918
0.080666
0.085993
0.143561
0.164981
0.945454
0.807371
0.85553
0.89048
0.768725
0.762864
0.836185
0.880667
0.759023
0.916403
0.885716
0.76886
0.801164
0.931319
0.774093
0.818128
0.262775
0.882921
0.945766
0.82852
0.744295
0.908497
0.769665
0.720398
0.928977
0.857314
0.755864
0.884436
0.79955
0.873953
0.805583
0.898285
0.754893
0.814973
0.794523
0.809912
0.760027
0.832246
0.922863
0.787596
0.929456
0.789623
0.898594
0.769925
0.943826
0.846266
0.754188
0.815804
0.866599
0.206653
0.729926
0.754447
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
0.204238
0.225836
0.118132
0.279967
0.133743
0.143045
0.137951
0.109485
0.126328
0.051926
0.265113
0.212373
0.078199
0.185015
0.259106
0.057365
0.107962
0.209744
0.160148
0.239756
0.206614
0.27844
0.17252
0.26474
0.120884
0.211659
0.081231
0.064069
0.169898
0.081522
0.068687
0.112729
0.195174
0.095043
0.131356
0.145599
0.143962
0.244132
0.196435
0.207454
0.185908
0.18893
0.238518
0.069631
0.129719
0.074473
0.162927
0.280032
0.239832
0.180692
0.155713
0.179786
0.794046
0.803904
0.923905
0.768717
0.738586
0.749788
0.942033
0.811787
0.745451
0.884717
0.948031
0.723809
0.776018
0.861085
0.846766
0.81525
0.824475
0.859929
0.867582
0.816888
0.801159
0.774268
0.747639
0.929812
0.882549
0.792431
0.781906
0.775426
0.927941
0.814727
0.106501
0.912113
0.82944
0.803446
0.848686
0.851899
0.861965
0.899521
0.876869
0.81046
0.86658
0.839198
0.81727
0.890447
0.833828
0.770705
0.837257
0.731493
0.787067
0.904246
0.728675
0.793543
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
0.186413
0.105748
0.100323
0.119918
0.095357
0.282697
0.160934
0.178017
0.198289
0.229493
0.199119
0.274899
0.249228
0.065649
0.123844
0.057943
0.107925
0.162244
0.241475
0.184426
0.089857
0.091918
0.205771
0.104851
0.149566
0.145539
0.067887
0.27962
0.230654
0.282206
0.159708
0.195695
0.149122
0.245914
0.277182
0.116601
0.176699
0.148884
0.263652
0.26576
0.224174
0.121571
0.126523
0.243155
0.191401
0.195989
0.15393
0.075333
0.083964
0.189048
0.098071
0.098735
0.89913
0.928672
0.724515
0.840188
0.909
0.828146
0.915582
0.755329
0.93847
0.765477
0.900491
0.226516
0.908813
0.732121
0.835673
0.794945
0.89078
0.898179
0.852036
0.938787
0.754603
0.795731
0.938299
0.756531
0.753325
0.835502
0.82433
0.850308
0.93947
0.790197
0.797807
0.775895
0.815039
0.844502
0.887556
0.792718
0.848179
0.778412
0.746881
0.813845
0.723185
0.783903
0.936897
0.755992
0.190497
0.881598
0.943202
0.88952
0.883365
0.804097
0.925868
0.788437
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
0.129841
0.052555
0.225204
0.143034
0.196072
0.223213
0.265653
0.114462
0.138762
0.105954
0.230468
0.112482
0.153075
0.057271
0.061431
0.079788
0.189909
0.101888
0.214384
0.152298
0.072552
0.282758
0.142567
0.075832
0.080026
0.077728
0.279947
0.256102
0.130414
0.149543
0.057889
0.242049
0.13086
0.129175
0.121819
0.242512
0.094239
0.132496
0.114558
0.076224
0.255821
0.176935
0.192993
0.221816
0.256605
0.06482
0.211403
0.067811
0.19332
0.200042
0.071464
0.129299
0.934521
0.812647
0.902785
0.847062
0.826175
0.880474
0.866318
0.76336
0.873351
0.809449
0.899981
0.822277
0.84055
0.813424
0.82843
0.845736
0.758419
0.934895
0.800804
0.775974
0.807087
0.928338
0.940718
0.792205
0.732825
0.176875
0.762937
0.727292
0.898052
0.90894
0.923366
0.884408
0.764666
0.948281
0.769062
0.753706
0.877378
0.730622
0.788222
0.762318
0.880376
0.787002
0.860194
0.757689
0.800664
0.893772
0.838802
0.824243
0.931387
0.889262
0.90235
0.933383
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
1037
1038
0.268424 0.781841
0.071386 0.790449
3
3
Table of Nueron weights

1038
Nrn ID
Row
Col
#Obs
% Obs
0.167
0.17
31
0.09
1.00
1.00
0.16667
0.5
0.09
1.00
1.00
0.16667 0.83333
1007
0.11
0.32
0.40
0.5 0.16667
0.09
1.00
1.00
0.5
0.5
0.09
1.00
1.00
0.5 0.83333
0.11
0.32
0.40
0.83333 0.16667
0.09
1.00
1.00
0.83333
0.5
0.09
1.00
1.00
0.83333 0.83333
0.11
0.32
0.40
Clustering using Self Organizing Maps

Number of variables used for clustering
Number of observations used for clustering
Number of Clusters
3
1038
2
Cluster Assignment
Cluster Sizes
Observation ID
Cluster ID
Row
Column
10
cantidad
11
4.0
12
total de factura
19.7
13
14
15
16
cantidad
17
1.4
18
total de factura
152.4
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
Cluster Position on the grid
Cluster Means
Overall
5.1
Cluster Variances
Overall
8.9
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
Note:
Cells marked with blue (if any) in the Cluster Means and Variances tables
denote that there are some missing values for that varaible in that cluster.
All missing values have been replaced by overall means for computation
of cluster means and variances
Cluster Sizes
Cluster 1
Cluster 2
31
1007
Cluster Position on the grid

Cluster 1
Cluster 2
Cluster Means
Cluster 1
Cluster 2
5.5
5.1
4.0
4.0
21.5
19.7
luster Variances
Cluster 1
Cluster 2
8.7
8.9
1.6
1.4
175.8
151.8
X1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
X2
X3
X4
X5
X6
8.701
10.874
9.848
9.641
6.855
9.692
8.967
10.984
8.115
9.661
10.999
10.884
9.692
9.417
10.099
9.199
9.036
8.813
8.509
10.417
10.628
10.342
11.568
7.996
9.297
8.181
8.815
11.063
7.743
10.618
10.593
9.817
9.141
11.419
9.175
10.436
9.949
10.642
9.527
9.650
9.043
9.707
9.784
7.447
10.703
10.592
10.041
10.399
11.706
10.172
10.265
10.744
10.135
7.315
9.928
10.693
8.980
11.247
9.403
10.769
9.385
9.505
10.018
10.681
8.946
10.492
8.589
9.126
7.892
10.779
9.291
12.378
8.746
8.879
9.425
9.742
11.390
10.054
8.180
9.153
9.150
11.050
11.341
9.537
9.327
10.784
11.692
10.208
9.363
10.558
10.570
9.773
11.958
9.869
10.426
9.164
9.886
8.651
9.192
8.878
8.984
9.367
10.014
9.966
10.464
8.712
9.433
9.688
8.499
9.134
10.146
11.165
12.977
10.009
7.397
10.340
9.131
11.225
9.175
10.879
21.500
20.613
18.227
18.440
22.065
20.334
19.471
21.401
19.091
21.826
19.764
21.320
19.373
19.971
20.148
20.823
19.942
21.660
18.848
18.957
21.287
20.809
20.270
20.898
21.331
19.307
20.966
19.104
18.107
20.540
18.769
22.518
20.356
20.083
20.259
19.522
19.543
19.327
20.029
20.690
19.232
19.924
21.179
22.136
17.865
21.822
19.786
19.804
20.420
20.395
20.684
18.650
19.025
20.544
19.951
21.256
19.855
20.470
19.894
19.672
20.717
20.453
20.081
18.419
20.850
19.779
21.083
18.699
20.084
19.294
19.498
20.491
20.278
18.424
19.940
20.516
18.943
18.186
20.461
19.394
20.587
19.430
18.890
19.107
18.606
19.840
19.567
19.718
20.547
19.199
18.885
21.491
19.537
21.443
19.466
20.833
20.755
20.327
21.524
19.228
22.028
18.370
20.219
22.319
20.977
20.286
20.551
18.885
19.536
20.654
19.598
19.331
19.223
20.650
19.584
17.766
20.568
19.387
20.132
21.107
21.067
19.463
18.672
21.161
19.413
21.202
19.477
20.208
20.039
21.689
20.300
19.041
20.060
19.960
20.679
20.377
20.679
20.249
20.329
19.153
20.512
19.621
19.019
18.687
18.315
20.183
19.331
18.684
18.198
18.878
20.141
19.907
17.811
21.813
20.267
18.781
19.839
20.175
19.810
20.255
19.820
18.418
19.566
20.333
21.419
20.033
19.665
22.965
19.124
21.572
20.415
19.919
20.169
20.270
21.911
22.099
19.469
20.776
20.704
20.467
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
20.305
22.572
18.377
19.492
20.359
21.262
19.535
18.487
20.174
18.734
21.339
19.508
20.138
19.312
20.600
18.648
20.189
19.186
19.288
18.895
19.857
20.093
20.963
19.670
31.159
29.961
29.568
29.066
29.514
30.461
29.434
29.772
29.501
29.200
31.086
29.658
30.936
28.780
29.834
30.729
30.693
31.510
27.310
30.281
29.369
30.683
28.948
31.920
29.848
29.755
32.771
30.921
30.742
29.405
28.093
30.997
30.763
30.294
30.568
29.637
30.277
29.322
30.295
31.057
30.879
27.958
31.039
31.611
27.928
28.067
29.298
28.325
28.359
30.559
30.364
31.682
30.773
30.677
31.596
29.874
31.128
28.966
30.469
28.517
30.466
27.661
30.131
29.977
29.330
30.067
28.122
29.779
27.984
30.376
31.412
29.764
31.147
29.486
29.997
31.775
27.657
29.799
30.816
28.426
29.715
30.158
27.881
29.888
29.583
31.614
30.938
29.276
29.838
29.225
29.381
32.538
30.771
29.803
30.293
30.829
28.120
30.719
31.527
29.878
30.900
30.216
28.711
29.303
30.372
30.070
32.419
30.916
30.441
29.908
28.696
30.345
30.707
29.958
28.761
29.219
31.266
29.242
28.559
27.540
31.631
30.290
31.026
29.619
31.045
32.182
32.237
30.003
30.304
30.582
28.311
28.641
29.617
28.863
29.424
30.786
29.417
29.632
30.339
30.118
29.684
29.564
29.909
30.257
29.945
31.119
29.078
30.669
30.581
30.547
29.847
29.003
28.999
31.338
29.698
30.709
39.391
40.050
39.511
40.292
40.053
41.773
41.634
39.650
37.999
39.190
39.998
40.833
39.031
40.239
40.084
40.184
39.171
36.873
41.563
40.368
40.413
40.613
39.230
38.470
39.942
39.347
41.514
41.526
41.167
40.947
39.521
40.554
40.931
41.163
39.698
38.998
40.357
41.126
41.548
40.767
40.019
40.274
40.800
40.790
42.202
39.903
40.189
40.254
39.930
40.338
40.942
40.609
42.197
39.038
38.286
40.304
39.805
39.836
39.157
38.864
40.985
41.754
37.955
39.970
40.683
39.089
39.217
40.303
41.002
39.729
41.546
39.624
40.780
39.856
39.593
40.432
41.496
38.310
39.013
41.030
38.687
42.086
40.220
38.224
41.615
40.793
40.721
40.627
41.041
39.142
39.192
40.032
41.540
39.411
40.195
40.163
40.251
38.680
40.433
37.735
41.930
40.806
39.594
40.244
41.393
38.623
39.342
41.282
40.502
40.397
40.503
39.898
40.139
40.402
40.088
39.750
39.161
40.063
39.798
41.881
39.633
40.836
40.796
40.171
40.719
39.929
39.654
39.779
39.309
40.450
39.212
41.006
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
50.490
50.549
52.181
50.423
50.136
49.016
50.638
49.828
49.158
47.948
49.978
51.952
51.714
49.004
49.580
50.176
49.474
49.065
49.239
50.901
50.217
49.384
49.307
49.246
50.017
50.135
49.977
48.811
50.015
49.904
49.414
49.860
50.786
50.577
49.954
51.275
50.999
50.054
50.098
49.277
50.635
49.106
51.867
50.524
49.814
49.256
51.692
50.978
51.690
50.875
50.959
49.948
49.256
49.248
48.672
48.861
48.758
50.293
49.202
50.418
49.387
49.323
49.416
48.833
49.497
48.908
50.342
50.237
49.253
49.916
49.771
49.076
49.206
50.464
49.801
49.376
49.104
50.812
50.643
50.451
50.401
50.188
48.824
49.312
49.700
50.626
47.877
48.801
48.464
48.909
51.181
51.394
50.976
51.041
49.349
51.366
48.746
48.667
51.603
49.517
49.898
48.580
50.980
47.475
49.658
51.035
49.477
48.907
50.364
49.068
51.191
50.483
49.896
52.131
49.956
50.261
51.157
50.793
50.820
49.791
50.334
51.701
50.420
48.714
49.815
51.000
50.309
48.167
50.470
49.133
50.139
49.800
48.737
52.074
48.254
49.278
49.352
49.040
52.288
49.706
49.967
50.302
48.972
49.995
49.928
49.742
47.469
47.020
49.471
50.184
49.526
50.010
49.416
49.605
50.863
50.424
51.299
48.635
49.464
52.253
49.893
49.155
51.221
49.686
50.961
48.264
49.644
50.096
49.670
50.356
50.329
52.135
49.715
50.448
50.383
51.490
50.109
50.329
49.257
48.368
50.605
50.587
49.167
50.614
51.086
51.340
49.369
50.154
49.945
49.812
48.500
49.328
49.580
50.941
50.822
51.657
49.920
49.558
50.761
49.682
50.088
50.006
50.052
50.414
50.020
48.561
51.954
50.650
52.496
50.106
50.119
50.048
50.152
50.102
50.534
49.636
50.802
50.363
51.078
50.449
51.486
48.815
50.438
50.571
48.768
49.231
50.782
51.412
51.780
51.257
50.947
49.240
49.498
50.002
49.565
50.695
50.634
49.808
50.553
48.893
49.263
51.174
50.742
50.108
49.075
49.952
51.263
49.417
49.986
50.104
51.570
46.279
49.536
50.382
51.030
49.899
49.161
47.222
49.038
49.718
50.474
48.827
50.914
50.816
51.843
49.264
48.221
50.406
50.270
50.073
50.116
49.848
48.806
50.276
49.879
47.693
49.434
51.272
50.327
51.746
51.871
49.448
50.977
49.917
49.650
49.866
48.457
48.925
X7
X8
X9
10.135
11.669
9.704
10.765
10.163
8.232
9.836
10.238
10.507
10.018
7.203
8.913
10.363
10.306
9.102
11.050
9.258
10.195
9.617
10.166
11.004
8.094
10.082
8.580
11.521
10.959
10.327
9.125
9.457
10.940
10.044
10.073
9.989
9.212
11.451
11.436
9.244
11.193
7.975
9.930
12.189
10.135
10.000
9.433
11.659
10.281
10.747
8.574
10.502
8.584
9.091
10.415
11.307
12.202
8.753
10.797
11.893
10.682
10.611
10.748
20.172
19.520
20.449
20.967
19.388
20.583
21.309
20.361
19.793
20.202
18.280
18.620
21.098
18.440
20.640
19.800
18.232
19.410
21.088
20.093
19.374
21.016
19.996
19.509
20.522
19.471
19.516
20.713
19.362
20.342
18.251
19.916
21.477
19.236
19.767
18.268
21.018
22.488
20.071
19.618
18.391
19.829
21.188
22.083
19.235
20.476
19.354
21.261
18.739
21.184
18.801
20.098
19.096
19.417
21.167
22.160
20.511
21.939
21.578
18.637
20.021
20.641
20.359
20.951
18.442
20.952
20.496
18.992
21.431
21.018
18.997
19.743
19.455
19.613
18.863
20.713
21.509
22.809
20.787
22.508
20.092
19.938
20.447
21.364
21.611
19.342
20.115
20.061
21.203
20.257
21.100
22.013
21.532
18.968
19.556
19.417
19.022
20.295
21.758
19.432
19.371
20.760
29.094
29.745
28.879
29.948
30.074
28.705
29.015
28.928
30.825
31.541
30.529
29.252
30.682
29.550
30.205
31.515
31.303
29.354
30.170
29.577
28.550
30.767
30.488
29.454
30.156
29.577
27.848
30.529
29.973
30.253
28.884
30.482
29.701
28.822
29.595
31.396
29.805
30.262
30.327
28.610
30.318
28.547
30.807
29.572
29.740
31.389
29.970
29.383
31.714
28.405
30.342
30.129
29.180
31.458
28.279
29.522
30.160
30.430
31.216
29.572
29.775
30.882
31.138
31.461
28.914
28.341
29.939
31.825
29.258
30.410
28.900
28.211
29.899
30.795
29.552
29.847
30.044
29.686
40.531
40.825
39.691
40.542
39.416
39.832
39.590
39.204
40.728
38.475
41.140
39.630
39.908
40.163
40.560
39.456
40.759
40.717
41.347
39.932
38.618
38.882
40.059
43.322
40.820
40.369
40.095
40.826
40.651
41.596
41.216
41.053
41.067
40.890
39.076
39.217
41.299
39.006
40.315
40.965
41.575
39.978
39.716
38.894
40.224
38.166
39.266
38.894
39.929
40.352
40.577
39.019
40.152
39.895
41.454
40.371
38.504
39.940
40.278
41.488
40.847
41.013
39.154
40.243
40.573
40.631
51.167
50.100
50.369
49.393
49.559
48.661
48.646
50.710
49.318
50.988
49.578
50.176
51.347
50.219
51.429
50.092
49.340
50.460
50.376
50.081
48.994
50.398
48.681
49.355
50.506
50.349
50.122
49.502
49.641
48.768
50.264
50.270
47.747
48.536
49.982
48.948
50.480
50.043
49.384
49.631
48.659
50.932
49.379
51.010
51.502
49.150
49.149
49.684
50.100
50.395
48.773
49.642
49.563
49.187
51.321
48.490
49.779
51.286
48.969
50.287
49.890
50.476
49.321
49.327
49.413
49.882
48.665
50.498
50.328
49.442
50.338
51.197
49.062
50.028
48.832
50.645
50.113
49.752
48.992
49.492
50.177
50.775
49.121
49.778
49.398
49.548
49.344
49.113
51.498
49.964
49.471
49.003
51.635
50.222
48.817
49.528
47.807
50.697
50.577
50.881
50.402
50.720
49.111
51.070
50.625
49.307
48.361
50.537
51.305
48.831
50.115
50.278
50.650
51.008
50.138
51.148
48.928
50.812
50.707
48.756
49.319
50.039
50.130
51.400
51.557
51.271
49.496
51.278
51.170
51.436
49.441
49.627
48.944
49.736
50.298
49.540
51.818
50.581
50.951
50.650
48.626
49.867
51.153
48.513
0.167
0.16667
0.5
0.83333
0.5
0.833

NNclust Parantes Del Final Nuevo Precio - VASQUEZ

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

NNclust Parantes Del Final Nuevo Precio - VASQUEZ

Încărcat de

Drepturi de autor:

Formate disponibile

Instructions on Using the tool

( Clustering using Self Organizing Maps)

Step 1: Enter Your Data

Step 2: Fill up the inputs in the Inputs page

Step 3: Click on the Build Clusters button

hem all as continuous variables.

elect the option you want.

ariable - values are between -1 and 1.

er idea to normalize the data again.

in the just previous run

variable you should start with fresh weights

ince the sheet is protected.

the map captured how many data points.

Neural Network based Clustering

( Needs to be between 5 and 5,000 )

( Needs to be between 3 and 50 )

( n needs to be between 2 and 10 )

Number of training cycles

( Needs to be between 1 and 1000 )

Randomize the order in which inputs

Learning parameter (should be >0 and <1 )

Sigma for the Gaussian neighborhood

ameter (should be >0 and <1 )

Enter your Data in this sheet

precio prom. X artic.

- not to use the variable for clustering

spective column mean

Table of Winner Nueron

Table of Nueron weights

Clustering using Self Organizing Maps

precio prom. X artic.

precio prom. X artic.

Cluster Position on the grid

Cluster Position on the grid

S-ar putea să vă placă și