Revissao de Machine Learning Supervicionado para Clasificação - Exemplo Falsificação do Dinheiro

 Weka - Redes Neurais 1-2-3 camadas de neurônios

Exemplo de Falsificação do Dinheiro -                 Franco Suizo

Arquivo ARFF para Download:

Fonte: Arquivos de amostra do Progrma R

Arquivo para Download, padrão Weka (.arff):

     Arquivo Dinheiro Falso

Inteligência Artificial

ML Supervisionado para Classificação

Redes Neurais – M. Perseptron

 

=== Confusion Matrix ===

 

  a  b   <-- classified as

 98  2 |  a = 0 è Notas Verdadeiras (Processo químico demorado)

  1 99 |  b = 1 è Notas Falsas (Processo químico demorado)

Taxa de Acerto = (98+99)/200 *100 = 98,5%

Processo Químico da 100% de acerto ou Erro 0%. Porém é demorado e caro. O que inviabiliza a sua utilização pratica.

Se considerarmos que o Positivo é detecta ruma nota falsa, então temos 2 Falsos Positivos e 1 Falso Negativo (que é nosso maior problema, aceitar uma nota falsa como se fosse verdadeira)

 

 

Agora Aplicamos uma Rede Neural com 3 Camadas e ajustamos mais dois parâmetros (LR e M). Assim melhorou a Taxa de Acerto.

=== Confusion Matrix ===

 

   a   b   <-- classified as

  99   1 |   a = 0

   0 100 |   b = 1

Taxa de Acerto= (99+100)/200 * 100 = 99,5% ¨

Porem corremos o risco de sobre ajustar o algoritmo de IA è Oberfiting – Problema Serio – Amanha Discutimos e Calculamos o Índice de Overfiting

Fizemos o Treino e o Teste (Validação) utilizando a opção Cross Validação, que utiliza 100% dos dados para Treino e os mesmos 100% dos dados para Teste.

Resultado de Ontem (10/11/2020):

=== Confusion Matrix ===

 

   a   b   <-- classified as

  99   1 |   a = 0

   0 100 |   b = 1 Para o Crossvalidation o Erro para Detecção de Notas Falsas foi 0%

 

 

 

 

Três Camadas de Redes Neurais + Parametrizar (L Rate e Momentum)

Conjunto de Treino de 80% (Opção Split do Weka)

Conjunto de Teste (Validação) 20%

Começando a simular uma situação de mercado, pratica.

 

=== Confusion Matrix ===

 

  a  b   <-- classified as

 19  0 |  a = 0

  1 20 |  b = 1 Taxa de Acerto para Notas Falsas de 20/21*100=  95,2%

Na Realidade estamos com uma Taxa de Acerto Baixa para Notas Falsas, por que de cada 100 testes erraremos 5 (4,8%) aproximadamente.

Gostaríamos de Trabalhar Comercialmente com uma Taxa de Acerto de 99.99 % para notas falsas.

Esso implica num Taxa de Erro para Notas Falsas de = 100 – 99,99 = 0,01 % (probabilidade percentual) = 0,0001 (probabilidade proporcional)

Assim nosso algoritmo trabalharia com um erro de 1/10.000, ou seja erraríamos uma nota falsa a cada 10.000 notas testadas.

 

Então como a Margem de Erro para Notas falsas foi de 0% (Crovalidation) para 4,8% (Split). Assim teremos que contar com mais dados, linhas no arquivo de dados ou mais variáveis preditoras, colunas no arquivo.

 

Arquivo em padrão Texto, completo, Dinheiro Falso:

(Somente copiar e colar no Programa Notes do Computador)

@RELATION banco

@ATTRIBUTE Length REAL
@ATTRIBUTE Left REAL
@ATTRIBUTE Right REAL
@ATTRIBUTE Bottom REAL
@ATTRIBUTE Top REAL
@ATTRIBUTE Diagonal REAL
@ATTRIBUTE Class {0,1}

@DATA      

214.8,131.0,131.1,9.0,9.7,141.0,0
214.6,129.7,129.7,8.1,9.5,141.7,0
214.8,129.7,129.7,8.7,9.6,142.2,0
214.8,129.7,129.6,7.5,10.4,142.0,0
215.0,129.6,129.7,10.4,7.7,141.8,0
215.7,130.8,130.5,9.0,10.1,141.4,0
215.5,129.5,129.7,7.9,9.6,141.6,0
214.5,129.6,129.2,7.2,10.7,141.7,0
214.9,129.4,129.7,8.2,11.0,141.9,0
215.2,130.4,130.3,9.2,10.0,140.7,0
215.3,130.4,130.3,7.9,11.7,141.8,0
215.1,129.5,129.6,7.7,10.5,142.2,0
215.2,130.8,129.6,7.9,10.8,141.4,0
214.7,129.7,129.7,7.7,10.9,141.7,0
215.1,129.9,129.7,7.7,10.8,141.8,0
214.5,129.8,129.8,9.3,8.5,141.6,0
214.6,129.9,130.1,8.2,9.8,141.7,0
215.0,129.9,129.7,9.0,9.0,141.9,0
215.2,129.6,129.6,7.4,11.5,141.5,0
214.7,130.2,129.9,8.6,10.0,141.9,0
215.0,129.9,129.3,8.4,10.0,141.4,0
215.6,130.5,130.0,8.1,10.3,141.6,0
215.3,130.6,130.0,8.4,10.8,141.5,0
215.7,130.2,130.0,8.7,10.0,141.6,0
215.1,129.7,129.9,7.4,10.8,141.1,0
215.3,130.4,130.4,8.0,11.0,142.3,0
215.5,130.2,130.1,8.9,9.8,142.4,0
215.1,130.3,130.3,9.8,9.5,141.9,0
215.1,130.0,130.0,7.4,10.5,141.8,0
214.8,129.7,129.3,8.3,9.0,142.0,0
215.2,130.1,129.8,7.9,10.7,141.8,0
214.8,129.7,129.7,8.6,9.1,142.3,0
215.0,130.0,129.6,7.7,10.5,140.7,0
215.6,130.4,130.1,8.4,10.3,141.0,0
215.9,130.4,130.0,8.9,10.6,141.4,0
214.6,130.2,130.2,9.4,9.7,141.8,0
215.5,130.3,130.0,8.4,9.7,141.8,0
215.3,129.9,129.4,7.9,10.0,142.0,0
215.3,130.3,130.1,8.5,9.3,142.1,0
213.9,130.3,129.0,8.1,9.7,141.3,0
214.4,129.8,129.2,8.9,9.4,142.3,0
214.8,130.1,129.6,8.8,9.9,140.9,0
214.9,129.6,129.4,9.3,9.0,141.7,0
214.9,130.4,129.7,9.0,9.8,140.9,0
214.8,129.4,129.1,8.2,10.2,141.0,0
214.3,129.5,129.4,8.3,10.2,141.8,0
214.8,129.9,129.7,8.3,10.2,141.5,0
214.8,129.9,129.7,7.3,10.9,142.0,0
214.6,129.7,129.8,7.9,10.3,141.1,0
214.5,129.0,129.6,7.8,9.8,142.0,0
214.6,129.8,129.4,7.2,10.0,141.3,0
215.3,130.6,130.0,9.5,9.7,141.1,0
214.5,130.1,130.0,7.8,10.9,140.9,0
215.4,130.2,130.2,7.6,10.9,141.6,0
214.5,129.4,129.5,7.9,10.0,141.4,0
215.2,129.7,129.4,9.2,9.4,142.0,0
215.7,130.0,129.4,9.2,10.4,141.2,0
215.0,129.6,129.4,8.8,9.0,141.1,0
215.1,130.1,129.9,7.9,11.0,141.3,0
215.1,130.0,129.8,8.2,10.3,141.4,0
215.1,129.6,129.3,8.3,9.9,141.6,0
215.3,129.7,129.4,7.5,10.5,141.5,0
215.4,129.8,129.4,8.0,10.6,141.5,0
214.5,130.0,129.5,8.0,10.8,141.4,0
215.0,130.0,129.8,8.6,10.6,141.5,0
215.2,130.6,130.0,8.8,10.6,140.8,0
214.6,129.5,129.2,7.7,10.3,141.3,0
214.8,129.7,129.3,9.1,9.5,141.5,0
215.1,129.6,129.8,8.6,9.8,141.8,0
214.9,130.2,130.2,8.0,11.2,139.6,0
213.8,129.8,129.5,8.4,11.1,140.9,0
215.2,129.9,129.5,8.2,10.3,141.4,0
215.0,129.6,130.2,8.7,10.0,141.2,0
214.4,129.9,129.6,7.5,10.5,141.8,0
215.2,129.9,129.7,7.2,10.6,142.1,0
214.1,129.6,129.3,7.6,10.7,141.7,0
214.9,129.9,130.1,8.8,10.0,141.2,0
214.6,129.8,129.4,7.4,10.6,141.0,0
215.2,130.5,129.8,7.9,10.9,140.9,0
214.6,129.9,129.4,7.9,10.0,141.8,0
215.1,129.7,129.7,8.6,10.3,140.6,0
214.9,129.8,129.6,7.5,10.3,141.0,0
215.2,129.7,129.1,9.0,9.7,141.9,0
215.2,130.1,129.9,7.9,10.8,141.3,0
215.4,130.7,130.2,9.0,11.1,141.2,0
215.1,129.9,129.6,8.9,10.2,141.5,0
215.2,129.9,129.7,8.7,9.5,141.6,0
215.0,129.6,129.2,8.4,10.2,142.1,0
214.9,130.3,129.9,7.4,11.2,141.5,0
215.0,129.9,129.7,8.0,10.5,142.0,0
214.7,129.7,129.3,8.6,9.6,141.6,0
215.4,130.0,129.9,8.5,9.7,141.4,0
214.9,129.4,129.5,8.2,9.9,141.5,0
214.5,129.5,129.3,7.4,10.7,141.5,0
214.7,129.6,129.5,8.3,10.0,142.0,0
215.6,129.9,129.9,9.0,9.5,141.7,0
215.0,130.4,130.3,9.1,10.2,141.1,0
214.4,129.7,129.5,8.0,10.3,141.2,0
215.1,130.0,129.8,9.1,10.2,141.5,0
214.7,130.0,129.4,7.8,10.0,141.2,0
214.4,130.1,130.3,9.7,11.7,139.8,1
214.9,130.5,130.2,11.0,11.5,139.5,1
214.9,130.3,130.1,8.7,11.7,140.2,1
215.0,130.4,130.6,9.9,10.9,140.3,1
214.7,130.2,130.3,11.8,10.9,139.7,1
215.0,130.2,130.2,10.6,10.7,139.9,1
215.3,130.3,130.1,9.3,12.1,140.2,1
214.8,130.1,130.4,9.8,11.5,139.9,1
215.0,130.2,129.9,10.0,11.9,139.4,1
215.2,130.6,130.8,10.4,11.2,140.3,1
215.2,130.4,130.3,8.0,11.5,139.2,1
215.1,130.5,130.3,10.6,11.5,140.1,1
215.4,130.7,131.1,9.7,11.8,140.6,1
214.9,130.4,129.9,11.4,11.0,139.9,1
215.1,130.3,130.0,10.6,10.8,139.7,1
215.5,130.4,130.0,8.2,11.2,139.2,1
214.7,130.6,130.1,11.8,10.5,139.8,1
214.7,130.4,130.1,12.1,10.4,139.9,1
214.8,130.5,130.2,11.0,11.0,140.0,1
214.4,130.2,129.9,10.1,12.0,139.2,1
214.8,130.3,130.4,10.1,12.1,139.6,1
215.1,130.6,130.3,12.3,10.2,139.6,1
215.3,130.8,131.1,11.6,10.6,140.2,1
215.1,130.7,130.4,10.5,11.2,139.7,1
214.7,130.5,130.5,9.9,10.3,140.1,1
214.9,130.0,130.3,10.2,11.4,139.6,1
215.0,130.4,130.4,9.4,11.6,140.2,1
215.5,130.7,130.3,10.2,11.8,140.0,1
215.1,130.2,130.2,10.1,11.3,140.3,1
214.5,130.2,130.6,9.8,12.1,139.9,1
214.3,130.2,130.0,10.7,10.5,139.8,1
214.5,130.2,129.8,12.3,11.2,139.2,1
214.9,130.5,130.2,10.6,11.5,139.9,1
214.6,130.2,130.4,10.5,11.8,139.7,1
214.2,130.0,130.2,11.0,11.2,139.5,1
214.8,130.1,130.1,11.9,11.1,139.5,1
214.6,129.8,130.2,10.7,11.1,139.4,1
214.9,130.7,130.3,9.3,11.2,138.3,1
214.6,130.4,130.4,11.3,10.8,139.8,1
214.5,130.5,130.2,11.8,10.2,139.6,1
214.8,130.2,130.3,10.0,11.9,139.3,1
214.7,130.0,129.4,10.2,11.0,139.2,1
214.6,130.2,130.4,11.2,10.7,139.9,1
215.0,130.5,130.4,10.6,11.1,139.9,1
214.5,129.8,129.8,11.4,10.0,139.3,1
214.9,130.6,130.4,11.9,10.5,139.8,1
215.0,130.5,130.4,11.4,10.7,139.9,1
215.3,130.6,130.3,9.3,11.3,138.1,1
214.7,130.2,130.1,10.7,11.0,139.4,1
214.9,129.9,130.0,9.9,12.3,139.4,1
214.9,130.3,129.9,11.9,10.6,139.8,1
214.6,129.9,129.7,11.9,10.1,139.0,1
214.6,129.7,129.3,10.4,11.0,139.3,1
214.5,130.1,130.1,12.1,10.3,139.4,1
214.5,130.3,130.0,11.0,11.5,139.5,1
215.1,130.0,130.3,11.6,10.5,139.7,1
214.2,129.7,129.6,10.3,11.4,139.5,1
214.4,130.1,130.0,11.3,10.7,139.2,1
214.8,130.4,130.6,12.5,10.0,139.3,1
214.6,130.6,130.1,8.1,12.1,137.9,1
215.6,130.1,129.7,7.4,12.2,138.4,1
214.9,130.5,130.1,9.9,10.2,138.1,1
214.6,130.1,130.0,11.5,10.6,139.5,1
214.7,130.1,130.2,11.6,10.9,139.1,1
214.3,130.3,130.0,11.4,10.5,139.8,1
215.1,130.3,130.6,10.3,12.0,139.7,1
216.3,130.7,130.4,10.0,10.1,138.8,1
215.6,130.4,130.1,9.6,11.2,138.6,1
214.8,129.9,129.8,9.6,12.0,139.6,1
214.9,130.0,129.9,11.4,10.9,139.7,1
213.9,130.7,130.5,8.7,11.5,137.8,1
214.2,130.6,130.4,12.0,10.2,139.6,1
214.8,130.5,130.3,11.8,10.5,139.4,1
214.8,129.6,130.0,10.4,11.6,139.2,1
214.8,130.1,130.0,11.4,10.5,139.6,1
214.9,130.4,130.2,11.9,10.7,139.0,1
214.3,130.1,130.1,11.6,10.5,139.7,1
214.5,130.4,130.0,9.9,12.0,139.6,1
214.8,130.5,130.3,10.2,12.1,139.1,1
214.5,130.2,130.4,8.2,11.8,137.8,1
215.0,130.4,130.1,11.4,10.7,139.1,1
214.8,130.6,130.6,8.0,11.4,138.7,1
215.0,130.5,130.1,11.0,11.4,139.3,1
214.6,130.5,130.4,10.1,11.4,139.3,1
214.7,130.2,130.1,10.7,11.1,139.5,1
214.7,130.4,130.0,11.5,10.7,139.4,1
214.5,130.4,130.0,8.0,12.2,138.5,1
214.8,130.0,129.7,11.4,10.6,139.2,1
214.8,129.9,130.2,9.6,11.9,139.4,1
214.6,130.3,130.2,12.7,9.1,139.2,1
215.1,130.2,129.8,10.2,12.0,139.4,1
215.4,130.5,130.6,8.8,11.0,138.6,1
214.7,130.3,130.2,10.8,11.1,139.2,1
215.0,130.5,130.3,9.6,11.0,138.5,1
214.9,130.3,130.5,11.6,10.6,139.8,1
215.0,130.4,130.3,9.9,12.1,139.6,1
215.1,130.3,129.9,10.3,11.5,139.7,1
214.8,130.3,130.4,10.6,11.1,140.0,1
214.7,130.7,130.8,11.2,11.2,139.4,1
214.3,129.9,129.9,10.2,11.5,139.6,1

 Arquivo - Falsificação de Dinheiro (para Machine Learning)

obs.	Status	length	Left	Rigth	Bottom	Top	Diagonal
1	0	214,8	131	131,1	9	9,7	141
2	0	214,6	129,7	129,7	8,1	9,5	141,7
3	0	214,8	129,7	129,7	8,7	9,6	142,2
4	0	214,8	129,7	129,6	7,5	10,4	142
5	0	215	129,6	129,7	10,4	7,7	141,8
6	0	215,7	130,8	130,5	9	10,1	141,4
7	0	215,5	129,5	129,7	7,9	9,6	141,6
8	0	214,5	129,6	129,2	7,2	10,7	141,7
9	0	214,9	129,4	129,7	8,2	11	141,9
10	0	215,2	130,4	130,3	9,2	10	140,7
11	0	215,3	130,4	130,3	7,9	11,7	141,8
12	0	215,1	129,5	129,6	7,7	10,5	142,2
13	0	215,2	130,8	129,6	7,9	10,8	141,4
14	0	214,7	129,7	129,7	7,7	10,9	141,7
15	0	215,1	129,9	129,7	7,7	10,8	141,8
16	0	214,5	129,8	129,8	9,3	8,5	141,6
17	0	214,6	129,9	130,1	8,2	9,8	141,7
18	0	215	129,9	129,7	9	9	141,9
19	0	215,2	129,6	129,6	7,4	11,5	141,5
20	0	214,7	130,2	129,9	8,6	10	141,9
21	0	215	129,9	129,3	8,4	10	141,4
22	0	215,6	130,5	130	8,1	10,3	141,6
23	0	215,3	130,6	130	8,4	10,8	141,5
24	0	215,7	130,2	130	8,7	10	141,6
25	0	215,1	129,7	129,9	7,4	10,8	141,1
26	0	215,3	130,4	130,4	8	11	142,3
27	0	215,5	130,2	130,1	8,9	9,8	142,4
28	0	215,1	130,3	130,3	9,8	9,5	141,9
29	0	215,1	130	130	7,4	10,5	141,8
30	0	214,8	129,7	129,3	8,3	9	142
31	0	215,2	130,1	129,8	7,9	10,7	141,8
32	0	214,8	129,7	129,7	8,6	9,1	142,3
33	0	215	130	129,6	7,7	10,5	140,7
34	0	215,6	130,4	130,1	8,4	10,3	141
35	0	215,9	130,4	130	8,9	10,6	141,4
36	0	214,6	130,2	130,2	9,4	9,7	141,8
37	0	215,5	130,3	130	8,4	9,7	141,8
38	0	215,3	129,9	129,4	7,9	10	142
39	0	215,3	130,3	130,1	8,5	9,3	142,1
40	0	213,9	130,3	129	8,1	9,7	141,3
41	0	214,4	129,8	129,2	8,9	9,4	142,3
42	0	214,8	130,1	129,6	8,8	9,9	140,9
43	0	214,9	129,6	129,4	9,3	9	141,7
44	0	214,9	130,4	129,7	9	9,8	140,9
45	0	214,8	129,4	129,1	8,2	10,2	141
46	0	214,3	129,5	129,4	8,3	10,2	141,8
47	0	214,8	129,9	129,7	8,3	10,2	141,5
48	0	214,8	129,9	129,7	7,3	10,9	142
49	0	214,6	129,7	129,8	7,9	10,3	141,1
50	0	214,5	129	129,6	7,8	9,8	142
51	0	214,6	129,8	129,4	7,2	10	141,3
52	0	215,3	130,6	130	9,5	9,7	141,1
53	0	214,5	130,1	130	7,8	10,9	140,9
54	0	215,4	130,2	130,2	7,6	10,9	141,6
55	0	214,5	129,4	129,5	7,9	10	141,4
56	0	215,2	129,7	129,4	9,2	9,4	142
57	0	215,7	130	129,4	9,2	10,4	141,2
58	0	215	129,6	129,4	8,8	9	141,1
59	0	215,1	130,1	129,9	7,9	11	141,3
60	0	215,1	130	129,8	8,2	10,3	141,4
61	0	215,1	129,6	129,3	8,3	9,9	141,6
62	0	215,3	129,7	129,4	7,5	10,5	141,5
63	0	215,4	129,8	129,4	8	10,6	141,5
64	0	214,5	130	129,5	8	10,8	141,4
65	0	215	130	129,8	8,6	10,6	141,5
66	0	215,2	130,6	130	8,8	10,6	140,8
67	0	214,6	129,5	129,2	7,7	10,3	141,3
68	0	214,8	129,7	129,3	9,1	9,5	141,5
69	0	215,1	129,6	129,8	8,6	9,8	141,8
70	0	214,9	130,2	130,2	8	11,2	139,6
71	0	213,8	129,8	129,5	8,4	11,1	140,9
72	0	215,2	129,9	129,5	8,2	10,3	141,4
73	0	215	129,6	130,2	8,7	10	141,2
74	0	214,4	129,9	129,6	7,5	10,5	141,8
75	0	215,2	129,9	129,7	7,2	10,6	142,1
76	0	214,1	129,6	129,3	7,6	10,7	141,7
77	0	214,9	129,9	130,1	8,8	10	141,2
78	0	214,6	129,8	129,4	7,4	10,6	141
79	0	215,2	130,5	129,8	7,9	10,9	140,9
80	0	214,6	129,9	129,4	7,9	10	141,8
81	0	215,1	129,7	129,7	8,6	10,3	140,6
82	0	214,9	129,8	129,6	7,5	10,3	141
83	0	215,2	129,7	129,1	9	9,7	141,9
84	0	215,2	130,1	129,9	7,9	10,8	141,3
85	0	215,4	130,7	130,2	9	11,1	141,2
86	0	215,1	129,9	129,6	8,9	10,2	141,5
87	0	215,2	129,9	129,7	8,7	9,5	141,6
88	0	215	129,6	129,2	8,4	10,2	142,1
89	0	214,9	130,3	129,9	7,4	11,2	141,5
90	0	215	129,9	129,7	8	10,5	142
91	0	214,7	129,7	129,3	8,6	9,6	141,6
92	0	215,4	130	129,9	8,5	9,7	141,4
93	0	214,9	129,4	129,5	8,2	9,9	141,5
94	0	214,5	129,5	129,3	7,4	10,7	141,5
95	0	214,7	129,6	129,5	8,3	10	142
96	0	215,6	129,9	129,9	9	9,5	141,7
97	0	215	130,4	130,3	9,1	10,2	141,1
98	0	214,4	129,7	129,5	8	10,3	141,2
99	0	215,1	130	129,8	9,1	10,2	141,5
100	0	214,7	130	129,4	7,8	10	141,2
101	1	214,4	130,1	130,3	9,7	11,7	139,8
102	1	214,9	130,5	130,2	11	11,5	139,5
103	1	214,9	130,3	130,1	8,7	11,7	140,2
104	1	215	130,4	130,6	9,9	10,9	140,3
105	1	214,7	130,2	130,3	11,8	10,9	139,7
106	1	215	130,2	130,2	10,6	10,7	139,9
107	1	215,3	130,3	130,1	9,3	12,1	140,2
108	1	214,8	130,1	130,4	9,8	11,5	139,9
109	1	215	130,2	129,9	10	11,9	139,4
110	1	215,2	130,6	130,8	10,4	11,2	140,3
111	1	215,2	130,4	130,3	8	11,5	139,2
112	1	215,1	130,5	130,3	10,6	11,5	140,1
113	1	215,4	130,7	131,1	9,7	11,8	140,6
114	1	214,9	130,4	129,9	11,4	11	139,9
115	1	215,1	130,3	130	10,6	10,8	139,7
116	1	215,5	130,4	130	8,2	11,2	139,2
117	1	214,7	130,6	130,1	11,8	10,5	139,8
118	1	214,7	130,4	130,1	12,1	10,4	139,9
119	1	214,8	130,5	130,2	11	11	140
120	1	214,4	130,2	129,9	10,1	12	139,2
121	1	214,8	130,3	130,4	10,1	12,1	139,6
122	1	215,1	130,6	130,3	12,3	10,2	139,6
123	1	215,3	130,8	131,1	11,6	10,6	140,2
124	1	215,1	130,7	130,4	10,5	11,2	139,7
125	1	214,7	130,5	130,5	9,9	10,3	140,1
126	1	214,9	130	130,3	10,2	11,4	139,6
127	1	215	130,4	130,4	9,4	11,6	140,2
128	1	215,5	130,7	130,3	10,2	11,8	140
129	1	215,1	130,2	130,2	10,1	11,3	140,3
130	1	214,5	130,2	130,6	9,8	12,1	139,9
131	1	214,3	130,2	130	10,7	10,5	139,8
132	1	214,5	130,2	129,8	12,3	11,2	139,2
133	1	214,9	130,5	130,2	10,6	11,5	139,9
134	1	214,6	130,2	130,4	10,5	11,8	139,7
135	1	214,2	130	130,2	11	11,2	139,5
136	1	214,8	130,1	130,1	11,9	11,1	139,5
137	1	214,6	129,8	130,2	10,7	11,1	139,4
138	1	214,9	130,7	130,3	9,3	11,2	138,3
139	1	214,6	130,4	130,4	11,3	10,8	139,8
140	1	214,5	130,5	130,2	11,8	10,2	139,6
141	1	214,8	130,2	130,3	10	11,9	139,3
142	1	214,7	130	129,4	10,2	11	139,2
143	1	214,6	130,2	130,4	11,2	10,7	139,9
144	1	215	130,5	130,4	10,6	11,1	139,9
145	1	214,5	129,8	129,8	11,4	10	139,3
146	1	214,9	130,6	130,4	11,9	10,5	139,8
147	1	215	130,5	130,4	11,4	10,7	139,9
148	1	215,3	130,6	130,3	9,3	11,3	138,1
149	1	214,7	130,2	130,1	10,7	11	139,4
150	1	214,9	129,9	130	9,9	12,3	139,4
151	1	214,9	130,3	129,9	11,9	10,6	139,8
152	1	214,6	129,9	129,7	11,9	10,1	139
153	1	214,6	129,7	129,3	10,4	11	139,3
154	1	214,5	130,1	130,1	12,1	10,3	139,4
155	1	214,5	130,3	130	11	11,5	139,5
156	1	215,1	130	130,3	11,6	10,5	139,7
157	1	214,2	129,7	129,6	10,3	11,4	139,5
158	1	214,4	130,1	130	11,3	10,7	139,2
159	1	214,8	130,4	130,6	12,5	10	139,3
160	1	214,6	130,6	130,1	8,1	12,1	137,9
161	1	215,6	130,1	129,7	7,4	12,2	138,4
162	1	214,9	130,5	130,1	9,9	10,2	138,1
163	1	214,6	130,1	130	11,5	10,6	139,5
164	1	214,7	130,1	130,2	11,6	10,9	139,1
165	1	214,3	130,3	130	11,4	10,5	139,8
166	1	215,1	130,3	130,6	10,3	12	139,7
167	1	216,3	130,7	130,4	10	10,1	138,8
168	1	215,6	130,4	130,1	9,6	11,2	138,6
169	1	214,8	129,9	129,8	9,6	12	139,6
170	1	214,9	130	129,9	11,4	10,9	139,7
171	1	213,9	130,7	130,5	8,7	11,5	137,8
172	1	214,2	130,6	130,4	12	10,2	139,6
173	1	214,8	130,5	130,3	11,8	10,5	139,4
174	1	214,8	129,6	130	10,4	11,6	139,2
175	1	214,8	130,1	130	11,4	10,5	139,6
176	1	214,9	130,4	130,2	11,9	10,7	139
177	1	214,3	130,1	130,1	11,6	10,5	139,7
178	1	214,5	130,4	130	9,9	12	139,6
179	1	214,8	130,5	130,3	10,2	12,1	139,1
180	1	214,5	130,2	130,4	8,2	11,8	137,8
181	1	215	130,4	130,1	11,4	10,7	139,1
182	1	214,8	130,6	130,6	8	11,4	138,7
183	1	215	130,5	130,1	11	11,4	139,3
184	1	214,6	130,5	130,4	10,1	11,4	139,3
185	1	214,7	130,2	130,1	10,7	11,1	139,5
186	1	214,7	130,4	130	11,5	10,7	139,4
187	1	214,5	130,4	130	8	12,2	138,5
188	1	214,8	130	129,7	11,4	10,6	139,2
189	1	214,8	129,9	130,2	9,6	11,9	139,4
190	1	214,6	130,3	130,2	12,7	9,1	139,2
191	1	215,1	130,2	129,8	10,2	12	139,4
192	1	215,4	130,5	130,6	8,8	11	138,6
193	1	214,7	130,3	130,2	10,8	11,1	139,2
194	1	215	130,5	130,3	9,6	11	138,5
195	1	214,9	130,3	130,5	11,6	10,6	139,8
196	1	215	130,4	130,3	9,9	12,1	139,6
197	1	215,1	130,3	129,9	10,3	11,5	139,7
198	1	214,8	130,3	130,4	10,6	11,1	140
199	1	214,7	130,7	130,8	11,2	11,2	139,4
200	1	214,3	129,9	129,9	10,2	11,5	139,6