Classification Stacked Autoencoder Deep Neural Network Learner

Calls deepnet::sae.dnn.train() from deepnet.

Initial parameter values

• output is set to "softmax" for probabilistic classification.

Dictionary

This Learner can be instantiated via lrn():

lrn("classif.saeDNN")

Meta Information

• Task type: “classif”

• Predict Types: “response”, “prob”

• Feature Types: “integer”, “numeric”

• Required Packages: mlr3, deepnet

Parameters

Id	Type	Default	Levels	Range
hidden	untyped	10L		-
activationfun	character	sigm	sigm, linear, tanh	-
learningrate	numeric	0.8		\([0, \infty)\)
momentum	numeric	0.5		\([0, \infty)\)
learningrate_scale	numeric	1		\([0, \infty)\)
numepochs	integer	3		\([1, \infty)\)
batchsize	integer	100		\([1, \infty)\)
output	character	-	sigm, linear, softmax	-
sae_output	character	linear	sigm, linear, softmax	-
hidden_dropout	numeric	0		\([0, 1]\)
visible_dropout	numeric	0		\([0, 1]\)

References

Rong, Xiao (2022). “deepnet: Deep Learning Toolkit in R.” R package version 0.2.1. doi:10.32614/CRAN.package.deepnet , https://CRAN.R-project.org/package=deepnet.

See also

• Dictionary of Learners: mlr3::mlr_learners.

• as.data.table(mlr_learners) for a table of available Learners in the running session (depending on the loaded packages).

• Chapter in the mlr3book: https://mlr3book.mlr-org.com/chapters/chapter2/data_and_basic_modeling.html#sec-learners

• mlr3learners for a selection of recommended learners.

• mlr3cluster for unsupervised clustering learners.

• mlr3pipelines to combine learners with pre- and postprocessing steps.

• mlr3tuning for tuning of hyperparameters, mlr3tuningspaces for established default tuning spaces.

Author

awinterstetter

Super classes

mlr3::Learner -> mlr3::LearnerClassif -> LearnerClassifSaeDNN

Methods

Public methods

• LearnerClassifSaeDNN$new()

• LearnerClassifSaeDNN$clone()

Inherited methods

• mlr3::Learner$base_learner()
• mlr3::Learner$configure()
• mlr3::Learner$encapsulate()
• mlr3::Learner$format()
• mlr3::Learner$help()
• mlr3::Learner$predict()
• mlr3::Learner$predict_newdata()
• mlr3::Learner$print()
• mlr3::Learner$reset()
• mlr3::Learner$selected_features()
• mlr3::Learner$train()
• mlr3::LearnerClassif$predict_newdata_fast()

---

Method new()

Creates a new instance of this R6 class.

Usage

LearnerClassifSaeDNN$new()

---

Method clone()

The objects of this class are cloneable with this method.

Usage

LearnerClassifSaeDNN$clone(deep = FALSE)

Arguments

deep

Whether to make a deep clone.

Examples

# Define the Learner
learner = lrn("classif.saeDNN")
print(learner)
#> 
#> ── <LearnerClassifSaeDNN> (classif.saeDNN): Deep neural network with weights ini
#> • Model: -
#> • Parameters: output=softmax
#> • Packages: mlr3 and deepnet
#> • Predict Types: [response] and prob
#> • Feature Types: integer and numeric
#> • Encapsulation: none (fallback: -)
#> • Properties: multiclass and twoclass
#> • Other settings: use_weights = 'error', predict_raw = 'FALSE'

# Define a Task
task = tsk("sonar")

# Create train and test set
ids = partition(task)

# Train the learner on the training ids
learner$train(task, row_ids = ids$train)
#> begin to train sae ......
#> training layer 1 autoencoder ...
#> sae has been trained.
#> begin to train deep nn ......
#> deep nn has been trained.

print(learner$model)
#> $input_dim
#> [1] 60
#> 
#> $output_dim
#> [1] 2
#> 
#> $hidden
#> [1] 1
#> 
#> $size
#> [1] 60  1  2
#> 
#> $activationfun
#> [1] "sigm"
#> 
#> $learningrate
#> [1] 0.8
#> 
#> $momentum
#> [1] 0.5
#> 
#> $learningrate_scale
#> [1] 1
#> 
#> $hidden_dropout
#> [1] 0
#> 
#> $visible_dropout
#> [1] 0
#> 
#> $output
#> [1] "softmax"
#> 
#> $W
#> $W[[1]]
#>              V1        V10        V11         V12        V13       V14
#> [1,] 0.08155562 -0.1104762 -0.2067758 -0.05972794 -0.1341009 -0.204549
#>             V15        V16        V17       V18        V19         V2       V20
#> [1,] -0.2544117 -0.2692905 -0.1770989 -0.203474 -0.2664569 -0.1191079 -0.297908
#>             V21        V22       V23        V24        V25        V26
#> [1,] -0.3543233 -0.3028362 -0.241214 -0.3510066 -0.3625185 -0.4081046
#>             V27        V28        V29          V3        V30        V31
#> [1,] -0.4337444 -0.2945143 -0.3396257 -0.05377574 -0.2821289 -0.3254664
#>             V32        V33        V34        V35        V36        V37
#> [1,] -0.2518904 -0.3030158 -0.1954404 -0.1672856 -0.1818883 -0.1569058
#>             V38        V39         V4        V40        V41        V42
#> [1,] -0.1367944 -0.2258172 -0.1007042 -0.1192888 -0.2341852 -0.0958095
#>             V43        V44        V45         V46        V47        V48
#> [1,] -0.1183057 -0.1324089 -0.1145825 -0.09399785 -0.1325775 -0.1131868
#>               V49         V5        V50        V51         V52         V53
#> [1,] -0.001578503 -0.1036851 0.04282903 0.07126029 -0.09864837 -0.06369061
#>             V54         V55         V56        V57        V58         V59
#> [1,] -0.0571414 -0.05652909 -0.01445329 0.02134864 0.06521189 0.007152525
#>              V6        V60          V7          V8         V9
#> [1,] -0.1394932 -0.0168855 -0.04612812 -0.03569436 -0.1224229
#> 
#> $W[[2]]
#>             [,1]
#> [1,] -0.07717377
#> [2,] -0.06815368
#> 
#> 
#> $vW
#> $vW[[1]]
#>                 V1          V10           V11           V12           V13
#> [1,] -8.340095e-08 4.506342e-08 -5.634005e-08 -1.080649e-07 -8.260979e-09
#>                V14           V15           V16           V17           V18
#> [1,] -2.227761e-07 -4.322281e-08 -3.920912e-07 -3.094986e-07 -8.221364e-07
#>                V19            V2           V20           V21           V22
#> [1,] -1.485551e-06 -7.587675e-08 -2.398484e-06 -2.505926e-06 -2.246398e-06
#>                V23           V24           V25           V26           V27
#> [1,] -3.585038e-06 -4.791709e-06 -4.837118e-06 -5.111228e-06 -5.248567e-06
#>                V28           V29            V3           V30           V31
#> [1,] -5.681399e-06 -5.795017e-06 -2.632757e-07 -4.909828e-06 -4.261277e-06
#>                V32          V33           V34           V35           V36
#> [1,] -3.200427e-06 -3.97278e-06 -4.705093e-06 -4.432049e-06 -5.135566e-06
#>                V37           V38           V39            V4           V40
#> [1,] -4.260971e-06 -3.135166e-06 -2.817767e-06 -4.252923e-08 -2.737426e-06
#>                V41          V42           V43           V44          V45
#> [1,] -1.954848e-06 -1.54738e-06 -1.181396e-06 -6.549524e-07 5.572335e-08
#>               V46           V47          V48          V49           V5
#> [1,] -5.14938e-09 -1.645929e-07 1.796762e-08 1.185863e-07 -6.80966e-08
#>                V50           V51           V52           V53           V54
#> [1,] -4.848284e-08 -7.568036e-09 -4.311632e-08 -1.029569e-07 -8.648831e-08
#>                V55           V56           V57           V58           V59
#> [1,] -2.756555e-08 -3.460209e-08 -7.567963e-08 -2.025911e-08 -6.209372e-08
#>                 V6           V60            V7            V8            V9
#> [1,] -2.641089e-07 -3.240504e-08 -1.455175e-07 -2.923701e-07 -4.880258e-08
#> 
#> $vW[[2]]
#>              [,1]
#> [1,]  0.002130101
#> [2,] -0.002130101
#> 
#> 
#> $B
#> $B[[1]]
#> [1] -0.437065
#> 
#> $B[[2]]
#> [1] -0.03391164  0.03709363
#> 
#> 
#> $vB
#> $vB[[1]]
#> [1] -7.462022e-06
#> 
#> $vB[[2]]
#> [1]  0.08472935 -0.08472935
#> 
#> 
#> $post
#> $post[[1]]
#>           V1    V10    V11    V12    V13    V14    V15    V16    V17    V18
#>  [1,] 0.0225 0.1452 0.1442 0.0948 0.0618 0.1641 0.0708 0.0844 0.2590 0.2679
#>  [2,] 0.0365 0.3735 0.3042 0.0387 0.2679 0.5397 0.6204 0.7257 0.8350 0.6888
#>  [3,] 0.0412 0.2058 0.1546 0.2671 0.3141 0.2904 0.3531 0.5079 0.4639 0.1859
#>  [4,] 0.0207 0.1234 0.1796 0.1787 0.1247 0.2577 0.3370 0.3990 0.1647 0.2266
#>  [5,] 0.0270 0.1520 0.1675 0.1370 0.1361 0.1345 0.2144 0.5354 0.6830 0.5600
#>  [6,] 0.0211 0.0568 0.0869 0.1935 0.1478 0.1871 0.1994 0.3283 0.6861 0.5814
#>  [7,] 0.0323 0.2154 0.3085 0.3425 0.2990 0.1402 0.1235 0.1534 0.1901 0.2429
#>  [8,] 0.0654 0.3422 0.2128 0.1377 0.4032 0.5684 0.2398 0.4331 0.5954 0.5772
#>  [9,] 0.0216 0.0866 0.1564 0.0780 0.0997 0.0915 0.0662 0.1134 0.1740 0.2573
#> [10,] 0.0206 0.1573 0.2327 0.1785 0.1507 0.1916 0.2061 0.2307 0.2360 0.1299
#> [11,] 0.0195 0.1191 0.1522 0.1322 0.1434 0.1244 0.0653 0.0890 0.1226 0.1846
#> [12,] 0.0335 0.4372 0.5533 0.5771 0.7022 0.7067 0.7367 0.7391 0.8622 0.9458
#> [13,] 0.0164 0.0251 0.0801 0.1056 0.1266 0.0890 0.0198 0.1133 0.2826 0.3234
#> [14,] 0.0373 0.0802 0.1564 0.2565 0.2624 0.1179 0.0597 0.1563 0.2241 0.3586
#> [15,] 0.0176 0.0474 0.0526 0.1854 0.1040 0.0948 0.0912 0.1688 0.1568 0.0375
#> [16,] 0.0201 0.1199 0.1742 0.1387 0.2042 0.2580 0.2616 0.2097 0.2532 0.3213
#> [17,] 0.0084 0.1753 0.1970 0.1167 0.1683 0.0814 0.2179 0.5121 0.7231 0.7776
#> [18,] 0.0408 0.2176 0.2459 0.3332 0.3087 0.2613 0.3232 0.3731 0.4203 0.5364
#> [19,] 0.0443 0.3083 0.3794 0.5364 0.6173 0.7842 0.8392 0.9016 1.0000 0.8911
#> [20,] 0.0217 0.1777 0.4079 0.4113 0.3973 0.5078 0.6509 0.8073 0.9819 1.0000
#> [21,] 0.0201 0.2720 0.2188 0.3037 0.2959 0.2059 0.0906 0.1610 0.1800 0.2180
#> [22,] 0.0262 0.6194 0.6333 0.7060 0.5544 0.5320 0.6479 0.6931 0.6759 0.7551
#> [23,] 0.0260 0.1630 0.1030 0.2187 0.1542 0.2630 0.2940 0.2978 0.0699 0.1401
#> [24,] 0.0211 0.1345 0.0785 0.0367 0.1227 0.2614 0.4280 0.6122 0.7435 0.8130
#> [25,] 0.0096 0.2952 0.4025 0.5148 0.4901 0.4127 0.3575 0.3447 0.3068 0.2945
#> [26,] 0.0258 0.2954 0.2506 0.2601 0.2249 0.2115 0.1270 0.1193 0.1794 0.2185
#> [27,] 0.0107 0.2936 0.3104 0.3431 0.2456 0.1887 0.1184 0.2080 0.2736 0.3274
#> [28,] 0.0209 0.4125 0.3943 0.1334 0.4622 0.9970 0.9137 0.8292 0.6994 0.7825
#> [29,] 0.0291 0.1146 0.0942 0.0794 0.0252 0.1191 0.1045 0.2050 0.1556 0.2690
#> [30,] 0.0261 0.2013 0.2890 0.3650 0.3510 0.3495 0.4325 0.5398 0.6237 0.6876
#> [31,] 0.0091 0.0837 0.1579 0.0898 0.0309 0.1856 0.2969 0.2032 0.1264 0.1655
#> [32,] 0.0177 0.0613 0.1680 0.3476 0.4561 0.5188 0.6308 0.7201 0.5153 0.3818
#> [33,] 0.0164 0.0780 0.1791 0.2681 0.1788 0.1039 0.1980 0.3234 0.3748 0.2586
#> [34,] 0.0223 0.1487 0.1156 0.1654 0.3833 0.3598 0.1713 0.1136 0.0349 0.3796
#> [35,] 0.0190 0.0349 0.1459 0.3473 0.3197 0.2823 0.0166 0.0572 0.2164 0.4563
#> [36,] 0.0233 0.2078 0.1239 0.0236 0.1771 0.3115 0.4990 0.6707 0.7655 0.8485
#> [37,] 0.0195 0.0242 0.0728 0.0639 0.3002 0.3854 0.4767 0.4602 0.3175 0.4160
#> [38,] 0.0308 0.2795 0.3336 0.2940 0.1608 0.3335 0.4985 0.7295 0.7350 0.8253
#> [39,] 0.0123 0.0835 0.0548 0.0847 0.2026 0.2557 0.1870 0.2032 0.1463 0.2849
#> [40,] 0.0162 0.1779 0.2164 0.2568 0.3089 0.3829 0.4393 0.5335 0.5996 0.6728
#>          V19     V2    V20    V21    V22    V23    V24    V25    V26    V27
#>  [1,] 0.3094 0.0019 0.4678 0.5958 0.7245 0.8773 0.9214 0.9282 0.9942 1.0000
#>  [2,] 0.4450 0.1632 0.3921 0.5605 0.7545 0.8311 1.0000 0.8762 0.7092 0.7009
#>  [3,] 0.4474 0.1135 0.4079 0.5400 0.4786 0.4332 0.6113 0.5091 0.4606 0.7243
#>  [4,] 0.3219 0.0535 0.5356 0.8159 1.0000 0.8701 0.6889 0.6299 0.5738 0.5707
#>  [5,] 0.3093 0.0092 0.3226 0.4430 0.5573 0.5782 0.6173 0.8132 0.9819 0.9823
#>  [6,] 0.2500 0.0319 0.1734 0.3363 0.5588 0.6592 0.7012 0.8099 0.8901 0.8745
#>  [7,] 0.2120 0.0101 0.2395 0.3272 0.5949 0.8302 0.9045 0.9888 0.9912 0.9448
#>  [8,] 0.8176 0.0649 0.8835 0.5248 0.6373 0.8375 0.6699 0.7756 0.8750 0.8300
#>  [9,] 0.3294 0.0124 0.3910 0.5438 0.6115 0.7022 0.7610 0.7973 0.9105 0.8807
#> [10,] 0.3812 0.0132 0.5858 0.4497 0.4876 1.0000 0.8675 0.4718 0.5341 0.6197
#> [11,] 0.3880 0.0142 0.3658 0.2297 0.2610 0.4193 0.5848 0.5643 0.5448 0.4772
#> [12,] 0.8782 0.0134 0.7913 0.5760 0.3061 0.0563 0.0239 0.2554 0.4862 0.5027
#> [13,] 0.3238 0.0173 0.4333 0.6068 0.7652 0.9203 0.9719 0.9207 0.7545 0.8289
#> [14,] 0.1792 0.0281 0.3256 0.6079 0.6988 0.8391 0.8553 0.7710 0.6215 0.5736
#> [15,] 0.1316 0.0172 0.2086 0.1976 0.0946 0.1965 0.1242 0.0616 0.2141 0.4642
#> [16,] 0.4327 0.0116 0.4760 0.5328 0.6057 0.6696 0.7476 0.8930 0.9405 1.0000
#> [17,] 0.6222 0.0153 0.3501 0.3733 0.2622 0.3776 0.7361 0.8673 0.8223 0.7772
#> [18,] 0.7062 0.0653 0.8196 0.8835 0.8299 0.7609 0.7605 0.8367 0.8905 0.7652
#> [19,] 0.8753 0.0446 0.7886 0.7156 0.7581 0.6372 0.3210 0.2076 0.2279 0.3309
#> [20,] 0.9407 0.0340 0.8452 0.8106 0.8460 0.6212 0.5815 0.7745 0.8204 0.5601
#> [21,] 0.2026 0.0178 0.1506 0.0521 0.2143 0.4333 0.5943 0.6926 0.7576 0.8787
#> [22,] 0.8929 0.0582 0.8619 0.7974 0.6737 0.4293 0.3648 0.5331 0.2413 0.5070
#> [23,] 0.2990 0.0192 0.3915 0.3598 0.2403 0.4208 0.5675 0.6094 0.6323 0.6549
#> [24,] 0.9006 0.0128 0.9603 0.9162 0.9140 0.7851 0.5134 0.3439 0.3290 0.2571
#> [25,] 0.4351 0.0404 0.7264 0.8147 0.8103 0.6665 0.6958 0.7748 0.8688 1.0000
#> [26,] 0.1646 0.0433 0.0740 0.0625 0.2381 0.4824 0.6372 0.7531 0.8959 0.9941
#> [27,] 0.2344 0.0453 0.1260 0.0576 0.1241 0.3239 0.4357 0.5734 0.7825 0.9252
#> [28,] 0.8789 0.0261 0.8501 0.8920 0.9473 1.0000 0.8975 0.7806 0.8321 0.6502
#> [29,] 0.3784 0.0400 0.4024 0.3470 0.1395 0.1208 0.2827 0.1500 0.2626 0.4468
#> [30,] 0.7329 0.0266 0.8107 0.8396 0.8632 0.8747 0.9607 0.9716 0.9121 0.8576
#> [31,] 0.1661 0.0213 0.2091 0.2310 0.4460 0.6634 0.6933 0.7663 0.8206 0.7049
#> [32,] 0.2644 0.0300 0.3345 0.4865 0.6628 0.7389 0.9213 1.0000 0.7750 0.5593
#> [33,] 0.3680 0.0627 0.3508 0.5606 0.5231 0.5469 0.6954 0.6352 0.6757 0.8499
#> [34,] 0.7401 0.0375 0.9925 0.9802 0.8890 0.6712 0.4286 0.3374 0.7366 0.9611
#> [35,] 0.3819 0.0038 0.5627 0.6484 0.7235 0.8242 0.8766 1.0000 0.8582 0.6563
#> [36,] 0.9805 0.0394 1.0000 1.0000 0.9992 0.9067 0.6803 0.5103 0.4716 0.4980
#> [37,] 0.6428 0.0213 1.0000 0.8631 0.5212 0.3156 0.5952 0.7732 0.6042 0.4375
#> [38,] 0.8793 0.0339 0.9657 1.0000 0.8707 0.6471 0.5973 0.8218 0.7755 0.6111
#> [39,] 0.5824 0.0309 0.7728 0.7852 0.8515 0.5312 0.3653 0.5973 0.8275 1.0000
#> [40,] 0.7309 0.0041 0.8092 0.8941 0.9668 1.0000 0.9893 0.9376 0.8991 0.9184
#>          V28    V29     V3    V30    V31    V32    V33    V34    V35    V36
#>  [1,] 0.9071 0.8545 0.0075 0.7293 0.6499 0.6071 0.5588 0.5967 0.6275 0.5459
#>  [2,] 0.5014 0.3942 0.1636 0.4456 0.4072 0.0773 0.1423 0.0401 0.3597 0.6847
#>  [3,] 0.8987 0.8826 0.0518 0.9201 0.8005 0.6033 0.2120 0.2866 0.4033 0.2803
#>  [4,] 0.5976 0.4301 0.0334 0.2058 0.1000 0.2247 0.2308 0.3977 0.3317 0.1726
#>  [5,] 0.9166 0.7423 0.0145 0.7736 0.8473 0.7352 0.6671 0.6083 0.6239 0.5972
#>  [6,] 0.7887 0.8725 0.0415 0.9376 0.8920 0.7508 0.6832 0.7610 0.9017 1.0000
#>  [7,] 1.0000 0.9092 0.0298 0.7412 0.7691 0.7117 0.5304 0.2131 0.0928 0.1297
#>  [8,] 0.6896 0.3372 0.0737 0.6405 0.7138 0.8202 0.6657 0.5254 0.2960 0.0704
#>  [9,] 0.7949 0.7990 0.0174 0.7180 0.6407 0.6312 0.5929 0.6168 0.6498 0.6764
#> [10,] 0.7143 0.5605 0.0533 0.3728 0.2481 0.1921 0.1386 0.3325 0.2883 0.3228
#> [11,] 0.6897 0.9797 0.0181 1.0000 0.9546 0.8835 0.7662 0.6547 0.5447 0.4593
#> [12,] 0.4402 0.2847 0.0696 0.1797 0.3560 0.3522 0.3321 0.3112 0.3638 0.0754
#> [13,] 0.8907 0.7309 0.0347 0.6896 0.5829 0.4935 0.3101 0.0306 0.0244 0.1108
#> [14,] 0.4402 0.4056 0.0232 0.4411 0.5130 0.5965 0.7272 0.6539 0.5902 0.5393
#> [15,] 0.6471 0.6340 0.0501 0.6107 0.7046 0.5376 0.5934 0.8443 0.9481 0.9705
#> [16,] 0.9785 0.8473 0.0123 0.7639 0.6701 0.4989 0.3718 0.2196 0.1416 0.2680
#> [17,] 0.7862 0.5652 0.0291 0.3635 0.3534 0.3865 0.3370 0.1693 0.2627 0.3195
#> [18,] 0.5897 0.3037 0.0397 0.0823 0.2787 0.7241 0.8032 0.8050 0.7676 0.7468
#> [19,] 0.2847 0.1949 0.0235 0.1671 0.1025 0.1362 0.2212 0.1124 0.1677 0.1039
#> [20,] 0.2989 0.5009 0.0392 0.6628 0.5753 0.4055 0.3746 0.3481 0.1580 0.1422
#> [21,] 0.9060 0.8528 0.0274 0.9087 0.9657 0.9306 0.7774 0.6643 0.6604 0.6884
#> [22,] 0.8533 0.6036 0.1099 0.8514 0.8512 0.5045 0.1862 0.2709 0.4232 0.3043
#> [23,] 0.7673 1.0000 0.0254 0.8463 0.5509 0.4444 0.5169 0.4268 0.1802 0.0791
#> [24,] 0.3685 0.5765 0.0015 0.6190 0.4613 0.3615 0.4434 0.3864 0.3093 0.2138
#> [25,] 0.9941 0.8793 0.0682 0.6482 0.5876 0.6408 0.4972 0.2755 0.0300 0.3356
#> [26,] 0.9957 0.9328 0.0547 0.9344 0.8854 0.7690 0.6865 0.6390 0.6378 0.6629
#> [27,] 0.9349 0.9348 0.0289 1.0000 0.9308 0.8478 0.7605 0.7040 0.7539 0.7990
#> [28,] 0.4548 0.4732 0.0120 0.3391 0.2747 0.0978 0.0477 0.1403 0.1834 0.2148
#> [29,] 0.7520 0.9036 0.0771 0.7812 0.4766 0.2483 0.5372 0.6279 0.3647 0.4572
#> [30,] 0.8798 0.7720 0.0223 0.5711 0.4264 0.2860 0.3114 0.2066 0.1165 0.0185
#> [31,] 0.7560 0.7466 0.0206 0.6387 0.4846 0.3328 0.5356 0.8741 0.8573 0.6718
#> [32,] 0.6172 0.8635 0.0288 0.6592 0.4770 0.4983 0.3330 0.3076 0.2876 0.2226
#> [33,] 0.8025 0.6563 0.0738 0.8591 0.6655 0.5369 0.3118 0.3763 0.2801 0.0875
#> [34,] 0.7353 0.4856 0.0484 0.1594 0.3007 0.4096 0.3170 0.3305 0.3408 0.2186
#> [35,] 0.5087 0.4817 0.0642 0.4530 0.4521 0.4532 0.5385 0.5308 0.5356 0.5271
#> [36,] 0.6196 0.7171 0.0416 0.6316 0.3554 0.2897 0.4316 0.3791 0.2421 0.0944
#> [37,] 0.5487 0.4720 0.0058 0.6235 0.3851 0.1590 0.3891 0.5294 0.3504 0.4480
#> [38,] 0.4195 0.2990 0.0202 0.1354 0.2438 0.5624 0.5555 0.6963 0.7298 0.7022
#> [39,] 0.8673 0.6301 0.0169 0.4591 0.3940 0.2576 0.2817 0.2641 0.2757 0.2698
#> [40,] 0.9128 0.7811 0.0239 0.6018 0.3765 0.3300 0.2280 0.0212 0.1117 0.1788
#>          V37    V38    V39     V4    V40    V41    V42    V43    V44    V45
#>  [1,] 0.4786 0.3965 0.2087 0.0097 0.1651 0.1836 0.0652 0.0758 0.0486 0.0353
#>  [2,] 0.7076 0.3597 0.0612 0.1421 0.3027 0.3966 0.3868 0.2380 0.2059 0.2288
#>  [3,] 0.3087 0.3550 0.2545 0.0232 0.1432 0.5869 0.6431 0.5826 0.4286 0.4894
#>  [4,] 0.1429 0.2168 0.1967 0.0818 0.2140 0.3674 0.2023 0.0778 0.0925 0.2388
#>  [5,] 0.5715 0.5242 0.2924 0.0278 0.1536 0.2003 0.2031 0.2207 0.1778 0.1353
#>  [6,] 0.9123 0.7388 0.5915 0.0286 0.4057 0.3019 0.2331 0.2931 0.2298 0.2391
#>  [7,] 0.1159 0.1226 0.1768 0.0564 0.0345 0.1562 0.0824 0.1149 0.1694 0.0954
#>  [8,] 0.0970 0.3941 0.6028 0.1132 0.3521 0.3924 0.4808 0.4602 0.4164 0.5438
#>  [9,] 0.6253 0.5117 0.3890 0.0152 0.3273 0.2509 0.1530 0.1323 0.1657 0.1215
#> [10,] 0.2607 0.2040 0.2396 0.0569 0.1319 0.0683 0.0334 0.0716 0.0976 0.0787
#> [11,] 0.4679 0.1987 0.0699 0.0406 0.1493 0.1713 0.1654 0.2600 0.3846 0.3754
#> [12,] 0.1834 0.1820 0.1815 0.1180 0.1593 0.0576 0.0954 0.1086 0.0812 0.0784
#> [13,] 0.1594 0.1371 0.0696 0.0070 0.0452 0.0620 0.1421 0.1597 0.1384 0.0372
#> [14,] 0.4897 0.4081 0.4145 0.0225 0.6003 0.7196 0.6633 0.6287 0.4087 0.3212
#> [15,] 0.7766 0.6313 0.5760 0.0285 0.6148 0.5450 0.4813 0.3406 0.1916 0.1134
#> [16,] 0.2630 0.3104 0.3392 0.0245 0.2123 0.1170 0.2655 0.2203 0.1541 0.1464
#> [17,] 0.1388 0.1048 0.1681 0.0432 0.1910 0.1174 0.0933 0.0856 0.0951 0.0986
#> [18,] 0.6253 0.1730 0.2916 0.0604 0.5003 0.5220 0.4824 0.4004 0.3877 0.1651
#> [19,] 0.2562 0.2624 0.2236 0.1008 0.1180 0.1103 0.2831 0.2385 0.0255 0.1967
#> [20,] 0.2130 0.1866 0.1003 0.0236 0.2396 0.2241 0.2029 0.0710 0.1606 0.1669
#> [21,] 0.6938 0.5932 0.5774 0.0232 0.6223 0.5841 0.4527 0.4911 0.5762 0.5013
#> [22,] 0.6116 0.6756 0.5375 0.1083 0.4719 0.4647 0.2587 0.2129 0.2222 0.2111
#> [23,] 0.0535 0.1906 0.2561 0.0061 0.2153 0.2769 0.2841 0.1733 0.0815 0.0335
#> [24,] 0.1112 0.1386 0.1523 0.0450 0.0996 0.1644 0.1902 0.1313 0.1776 0.2000
#> [25,] 0.3167 0.4133 0.6281 0.0688 0.4977 0.2613 0.4697 0.4806 0.4921 0.5294
#> [26,] 0.5983 0.4565 0.3129 0.0681 0.4158 0.4325 0.4031 0.4201 0.4557 0.3955
#> [27,] 0.7673 0.5955 0.4731 0.0713 0.4840 0.4340 0.3954 0.4837 0.5379 0.4485
#> [28,] 0.1271 0.1912 0.3391 0.0768 0.3444 0.2369 0.1195 0.2665 0.2587 0.1393
#> [29,] 0.6359 0.6474 0.5520 0.0809 0.3253 0.2292 0.0653 0.0000 0.0000 0.0000
#> [30,] 0.1302 0.2480 0.1637 0.0749 0.1103 0.2144 0.2033 0.1887 0.1370 0.1376
#> [31,] 0.3446 0.3150 0.2702 0.0505 0.2598 0.2742 0.3594 0.4382 0.2460 0.0758
#> [32,] 0.0794 0.0603 0.1049 0.0394 0.0606 0.1530 0.0983 0.1643 0.1901 0.1107
#> [33,] 0.3319 0.4237 0.1801 0.0608 0.3743 0.4627 0.1614 0.2494 0.3202 0.2265
#> [34,] 0.2463 0.2726 0.1680 0.0475 0.2792 0.2558 0.1740 0.2121 0.1099 0.0985
#> [35,] 0.4260 0.2436 0.1205 0.0452 0.3845 0.4107 0.5067 0.4216 0.2479 0.1586
#> [36,] 0.0351 0.0844 0.0436 0.0547 0.1130 0.2045 0.1937 0.0834 0.1502 0.1675
#> [37,] 0.4041 0.5031 0.6475 0.0190 0.5493 0.3548 0.2028 0.1882 0.0845 0.1315
#> [38,] 0.5468 0.1421 0.4738 0.0889 0.6410 0.4375 0.3178 0.2377 0.2808 0.1374
#> [39,] 0.3994 0.4576 0.3940 0.0313 0.2522 0.1782 0.1354 0.0516 0.0337 0.0894
#> [40,] 0.2373 0.2843 0.2241 0.0441 0.2715 0.3363 0.2546 0.1867 0.2160 0.1278
#>          V46    V47    V48    V49     V5    V50    V51    V52    V53    V54
#>  [1,] 0.0297 0.0241 0.0379 0.0119 0.0445 0.0073 0.0051 0.0034 0.0129 0.0100
#>  [2,] 0.1704 0.1587 0.1792 0.1022 0.1130 0.0151 0.0223 0.0110 0.0071 0.0205
#>  [3,] 0.5777 0.4315 0.2640 0.1794 0.0646 0.0772 0.0798 0.0376 0.0143 0.0272
#>  [4,] 0.3400 0.2594 0.1102 0.0911 0.0740 0.0462 0.0171 0.0033 0.0050 0.0190
#>  [5,] 0.1373 0.0749 0.0472 0.0325 0.0412 0.0179 0.0045 0.0084 0.0010 0.0018
#>  [6,] 0.1910 0.1096 0.0300 0.0171 0.0121 0.0383 0.0053 0.0090 0.0042 0.0153
#>  [7,] 0.0080 0.0790 0.1255 0.0647 0.0760 0.0179 0.0051 0.0061 0.0093 0.0135
#>  [8,] 0.5649 0.3195 0.2484 0.1299 0.2482 0.0825 0.0243 0.0210 0.0361 0.0239
#>  [9,] 0.0978 0.0452 0.0273 0.0179 0.0608 0.0092 0.0018 0.0052 0.0049 0.0096
#> [10,] 0.0522 0.0500 0.0231 0.0221 0.0647 0.0144 0.0307 0.0386 0.0147 0.0018
#> [11,] 0.2414 0.1077 0.0224 0.0155 0.0391 0.0187 0.0125 0.0028 0.0067 0.0120
#> [12,] 0.0487 0.0439 0.0586 0.0370 0.0348 0.0185 0.0302 0.0244 0.0232 0.0093
#> [13,] 0.0688 0.0867 0.0513 0.0092 0.0187 0.0198 0.0118 0.0090 0.0223 0.0179
#> [14,] 0.2518 0.1482 0.0988 0.0317 0.0179 0.0269 0.0066 0.0008 0.0045 0.0024
#> [15,] 0.0640 0.0911 0.0980 0.0563 0.0262 0.0187 0.0088 0.0042 0.0175 0.0171
#> [16,] 0.1044 0.1225 0.0745 0.0490 0.0547 0.0224 0.0032 0.0076 0.0045 0.0056
#> [17,] 0.0956 0.0426 0.0407 0.0106 0.0951 0.0179 0.0056 0.0236 0.0114 0.0136
#> [18,] 0.0442 0.0663 0.0418 0.0475 0.0496 0.0235 0.0066 0.0062 0.0129 0.0184
#> [19,] 0.1483 0.0434 0.0627 0.0513 0.2252 0.0473 0.0248 0.0274 0.0205 0.0141
#> [20,] 0.1700 0.1829 0.1403 0.0506 0.1081 0.0224 0.0095 0.0031 0.0103 0.0078
#> [21,] 0.4042 0.3123 0.2232 0.1085 0.0724 0.0414 0.0253 0.0131 0.0049 0.0104
#> [22,] 0.0176 0.1348 0.0744 0.0130 0.0974 0.0106 0.0033 0.0232 0.0166 0.0095
#> [23,] 0.0933 0.1018 0.0309 0.0208 0.0352 0.0318 0.0132 0.0118 0.0120 0.0051
#> [24,] 0.0765 0.0727 0.0749 0.0449 0.0711 0.0134 0.0174 0.0117 0.0023 0.0047
#> [25,] 0.2216 0.1401 0.1888 0.0947 0.0887 0.0134 0.0310 0.0237 0.0078 0.0144
#> [26,] 0.2966 0.2095 0.1558 0.0884 0.0784 0.0265 0.0121 0.0091 0.0062 0.0019
#> [27,] 0.2674 0.1541 0.1359 0.0941 0.1075 0.0261 0.0079 0.0164 0.0120 0.0113
#> [28,] 0.1083 0.1383 0.1321 0.1069 0.1064 0.0325 0.0316 0.0057 0.0159 0.0085
#> [29,] 0.0000 0.0000 0.0000 0.0000 0.0521 0.0000 0.0000 0.0056 0.0237 0.0204
#> [30,] 0.0307 0.0373 0.0606 0.0399 0.1364 0.0169 0.0135 0.0222 0.0175 0.0127
#> [31,] 0.0187 0.0797 0.0748 0.0367 0.0657 0.0155 0.0300 0.0112 0.0112 0.0102
#> [32,] 0.1917 0.1467 0.0392 0.0356 0.0630 0.0270 0.0168 0.0102 0.0122 0.0044
#> [33,] 0.1146 0.0476 0.0943 0.0824 0.0233 0.0171 0.0244 0.0258 0.0143 0.0226
#> [34,] 0.1271 0.1459 0.1164 0.0777 0.0647 0.0439 0.0061 0.0145 0.0128 0.0145
#> [35,] 0.1124 0.0651 0.0789 0.0325 0.0333 0.0070 0.0026 0.0093 0.0118 0.0112
#> [36,] 0.1058 0.1111 0.0849 0.0596 0.0993 0.0201 0.0071 0.0104 0.0062 0.0026
#> [37,] 0.1590 0.0562 0.0617 0.0343 0.0319 0.0370 0.0261 0.0157 0.0074 0.0271
#> [38,] 0.1136 0.1034 0.0688 0.0422 0.1570 0.0117 0.0070 0.0167 0.0127 0.0138
#> [39,] 0.0861 0.0872 0.0445 0.0134 0.0358 0.0217 0.0188 0.0133 0.0265 0.0224
#> [40,] 0.0768 0.1070 0.0946 0.0636 0.0630 0.0227 0.0128 0.0173 0.0135 0.0114
#>          V55    V56    V57    V58    V59     V6    V60     V7     V8     V9
#>  [1,] 0.0044 0.0057 0.0030 0.0035 0.0021 0.0906 0.0027 0.0889 0.0655 0.1624
#>  [2,] 0.0164 0.0063 0.0078 0.0094 0.0110 0.1306 0.0068 0.2112 0.2268 0.2992
#>  [3,] 0.0127 0.0166 0.0095 0.0225 0.0098 0.1124 0.0085 0.1787 0.2407 0.2682
#>  [4,] 0.0103 0.0121 0.0042 0.0090 0.0070 0.0324 0.0099 0.0918 0.1070 0.1553
#>  [5,] 0.0068 0.0039 0.0120 0.0132 0.0070 0.0757 0.0088 0.1026 0.1138 0.0794
#>  [6,] 0.0106 0.0020 0.0105 0.0049 0.0070 0.0438 0.0080 0.1299 0.1390 0.0695
#>  [7,] 0.0063 0.0063 0.0034 0.0032 0.0062 0.0958 0.0067 0.0990 0.1018 0.1030
#>  [8,] 0.0447 0.0394 0.0355 0.0440 0.0243 0.1257 0.0098 0.1797 0.0989 0.2460
#>  [9,] 0.0134 0.0122 0.0047 0.0018 0.0006 0.1026 0.0023 0.1139 0.0877 0.1160
#> [10,] 0.0100 0.0096 0.0077 0.0180 0.0109 0.1432 0.0070 0.1344 0.2041 0.1571
#> [11,] 0.0012 0.0022 0.0058 0.0042 0.0067 0.0249 0.0012 0.0892 0.0973 0.0840
#> [12,] 0.0159 0.0193 0.0032 0.0377 0.0126 0.1180 0.0156 0.1948 0.1607 0.3036
#> [13,] 0.0084 0.0068 0.0032 0.0035 0.0056 0.0671 0.0040 0.1056 0.0697 0.0962
#> [14,] 0.0006 0.0073 0.0096 0.0054 0.0085 0.0733 0.0060 0.0841 0.1031 0.0993
#> [15,] 0.0079 0.0050 0.0112 0.0179 0.0294 0.0351 0.0063 0.0362 0.0535 0.0258
#> [16,] 0.0075 0.0037 0.0045 0.0029 0.0008 0.0208 0.0018 0.0891 0.0836 0.1335
#> [17,] 0.0117 0.0060 0.0058 0.0031 0.0072 0.0752 0.0045 0.0414 0.0259 0.0692
#> [18,] 0.0069 0.0198 0.0199 0.0102 0.0070 0.1817 0.0055 0.1178 0.1024 0.0583
#> [19,] 0.0185 0.0055 0.0045 0.0115 0.0152 0.2611 0.0100 0.2061 0.1668 0.1801
#> [20,] 0.0077 0.0094 0.0031 0.0030 0.0013 0.1164 0.0069 0.1398 0.1009 0.1147
#> [21,] 0.0102 0.0092 0.0083 0.0020 0.0048 0.0833 0.0036 0.1232 0.1298 0.2085
#> [22,] 0.0180 0.0244 0.0316 0.0164 0.0095 0.2280 0.0078 0.2431 0.3771 0.5598
#> [23,] 0.0070 0.0015 0.0035 0.0008 0.0044 0.0701 0.0077 0.1263 0.1080 0.1523
#> [24,] 0.0049 0.0031 0.0024 0.0039 0.0051 0.1563 0.0015 0.1518 0.1206 0.1666
#> [25,] 0.0170 0.0012 0.0109 0.0036 0.0043 0.0932 0.0018 0.0955 0.2140 0.2546
#> [26,] 0.0045 0.0079 0.0031 0.0063 0.0048 0.1250 0.0050 0.1296 0.1729 0.2794
#> [27,] 0.0021 0.0097 0.0072 0.0060 0.0017 0.1019 0.0036 0.1606 0.2119 0.3061
#> [28,] 0.0372 0.0101 0.0127 0.0288 0.0129 0.1680 0.0023 0.3016 0.3460 0.3314
#> [29,] 0.0050 0.0137 0.0164 0.0081 0.0139 0.1051 0.0111 0.0145 0.0674 0.1294
#> [30,] 0.0022 0.0124 0.0054 0.0021 0.0028 0.1513 0.0023 0.1316 0.1654 0.1864
#> [31,] 0.0026 0.0097 0.0098 0.0043 0.0071 0.0795 0.0108 0.0970 0.0872 0.0743
#> [32,] 0.0075 0.0124 0.0099 0.0057 0.0032 0.0526 0.0019 0.0688 0.0633 0.0624
#> [33,] 0.0187 0.0185 0.0110 0.0094 0.0078 0.1048 0.0112 0.1338 0.0644 0.1522
#> [34,] 0.0058 0.0049 0.0065 0.0093 0.0059 0.0591 0.0022 0.0753 0.0098 0.0684
#> [35,] 0.0094 0.0140 0.0072 0.0022 0.0055 0.0690 0.0122 0.0901 0.1454 0.0740
#> [36,] 0.0025 0.0061 0.0038 0.0101 0.0078 0.1515 0.0006 0.1674 0.1513 0.1723
#> [37,] 0.0203 0.0089 0.0095 0.0095 0.0021 0.0571 0.0053 0.1004 0.0668 0.0691
#> [38,] 0.0090 0.0051 0.0029 0.0122 0.0056 0.1750 0.0020 0.0920 0.1353 0.1593
#> [39,] 0.0074 0.0118 0.0026 0.0092 0.0009 0.0102 0.0044 0.0182 0.0579 0.1122
#> [40,] 0.0062 0.0157 0.0088 0.0036 0.0053 0.0921 0.0030 0.1368 0.1078 0.1552
#> 
#> $post[[2]]
#>              [,1]
#>  [1,] 0.006879342
#>  [2,] 0.007728170
#>  [3,] 0.008229426
#>  [4,] 0.018942575
#>  [5,] 0.005858164
#>  [6,] 0.004492717
#>  [7,] 0.009828188
#>  [8,] 0.004147097
#>  [9,] 0.008160361
#> [10,] 0.025018466
#> [11,] 0.014520186
#> [12,] 0.019986822
#> [13,] 0.014585263
#> [14,] 0.009784285
#> [15,] 0.028293645
#> [16,] 0.008685181
#> [17,] 0.017201119
#> [18,] 0.005025860
#> [19,] 0.018776762
#> [20,] 0.006334233
#> [21,] 0.006156217
#> [22,] 0.004901392
#> [23,] 0.019541361
#> [24,] 0.013504479
#> [25,] 0.004035341
#> [26,] 0.006920534
#> [27,] 0.006596987
#> [28,] 0.005433408
#> [29,] 0.032300981
#> [30,] 0.005575387
#> [31,] 0.013404798
#> [32,] 0.010170335
#> [33,] 0.012090396
#> [34,] 0.013745012
#> [35,] 0.009871231
#> [36,] 0.008336147
#> [37,] 0.011228077
#> [38,] 0.004931884
#> [39,] 0.013472661
#> [40,] 0.004854850
#> 
#> $post[[3]]
#>            [,1]      [,2]
#>  [1,] 0.5245853 0.4754147
#>  [2,] 0.5245843 0.4754157
#>  [3,] 0.5245837 0.4754163
#>  [4,] 0.5245710 0.4754290
#>  [5,] 0.5245865 0.4754135
#>  [6,] 0.5245882 0.4754118
#>  [7,] 0.5245818 0.4754182
#>  [8,] 0.5245886 0.4754114
#>  [9,] 0.5245838 0.4754162
#> [10,] 0.5245638 0.4754362
#> [11,] 0.5245763 0.4754237
#> [12,] 0.5245698 0.4754302
#> [13,] 0.5245762 0.4754238
#> [14,] 0.5245819 0.4754181
#> [15,] 0.5245599 0.4754401
#> [16,] 0.5245832 0.4754168
#> [17,] 0.5245731 0.4754269
#> [18,] 0.5245875 0.4754125
#> [19,] 0.5245712 0.4754288
#> [20,] 0.5245860 0.4754140
#> [21,] 0.5245862 0.4754138
#> [22,] 0.5245877 0.4754123
#> [23,] 0.5245703 0.4754297
#> [24,] 0.5245775 0.4754225
#> [25,] 0.5245887 0.4754113
#> [26,] 0.5245853 0.4754147
#> [27,] 0.5245857 0.4754143
#> [28,] 0.5245870 0.4754130
#> [29,] 0.5245551 0.4754449
#> [30,] 0.5245869 0.4754131
#> [31,] 0.5245776 0.4754224
#> [32,] 0.5245814 0.4754186
#> [33,] 0.5245791 0.4754209
#> [34,] 0.5245772 0.4754228
#> [35,] 0.5245818 0.4754182
#> [36,] 0.5245836 0.4754164
#> [37,] 0.5245802 0.4754198
#> [38,] 0.5245876 0.4754124
#> [39,] 0.5245775 0.4754225
#> [40,] 0.5245877 0.4754123
#> 
#> 
#> $pre
#> $pre[[1]]
#> NULL
#> 
#> $pre[[2]]
#>            [,1]
#>  [1,] -4.972329
#>  [2,] -4.855125
#>  [3,] -4.791775
#>  [4,] -3.947219
#>  [5,] -5.134044
#>  [6,] -5.400795
#>  [7,] -4.612624
#>  [8,] -5.481191
#>  [9,] -4.800273
#> [10,] -3.662804
#> [11,] -4.217589
#> [12,] -3.892493
#> [13,] -4.213051
#> [14,] -4.617145
#> [15,] -3.536416
#> [16,] -4.737414
#> [17,] -4.045430
#> [18,] -5.288120
#> [19,] -3.956180
#> [20,] -5.055432
#> [21,] -5.084118
#> [22,] -5.313323
#> [23,] -3.915487
#> [24,] -4.291137
#> [25,] -5.508621
#> [26,] -4.966318
#> [27,] -5.014523
#> [28,] -5.209740
#> [29,] -3.399824
#> [30,] -5.183803
#> [31,] -4.298647
#> [32,] -4.578058
#> [33,] -4.403180
#> [34,] -4.273239
#> [35,] -4.608210
#> [36,] -4.778783
#> [37,] -4.478046
#> [38,] -5.307090
#> [39,] -4.293528
#> [40,] -5.322910
#> 
#> $pre[[3]]
#>             [,1]        [,2]
#>  [1,] 0.05030146 -0.04811922
#>  [2,] 0.05023776 -0.04817888
#>  [3,] 0.05020014 -0.04821411
#>  [4,] 0.04939619 -0.04896707
#>  [5,] 0.05037809 -0.04804745
#>  [6,] 0.05048056 -0.04795148
#>  [7,] 0.05008017 -0.04832648
#>  [8,] 0.05050650 -0.04792719
#>  [9,] 0.05020533 -0.04820926
#> [10,] 0.04894023 -0.04939411
#> [11,] 0.04972806 -0.04865625
#> [12,] 0.04931783 -0.04904047
#> [13,] 0.04972318 -0.04866082
#> [14,] 0.05008346 -0.04832339
#> [15,] 0.04869445 -0.04962430
#> [16,] 0.05016594 -0.04824614
#> [17,] 0.04952687 -0.04884468
#> [18,] 0.05044055 -0.04798895
#> [19,] 0.04940863 -0.04895542
#> [20,] 0.05034237 -0.04808091
#> [21,] 0.05035572 -0.04806840
#> [22,] 0.05044989 -0.04798020
#> [23,] 0.04935125 -0.04900916
#> [24,] 0.04980428 -0.04858486
#> [25,] 0.05051488 -0.04791934
#> [26,] 0.05029837 -0.04812212
#> [27,] 0.05032265 -0.04809938
#> [28,] 0.05040997 -0.04801760
#> [29,] 0.04839373 -0.04990595
#> [30,] 0.05039931 -0.04802758
#> [31,] 0.04981176 -0.04857786
#> [32,] 0.05005449 -0.04835053
#> [33,] 0.04991040 -0.04848548
#> [34,] 0.04978623 -0.04860177
#> [35,] 0.05007694 -0.04832950
#> [36,] 0.05019213 -0.04822161
#> [37,] 0.04997511 -0.04842487
#> [38,] 0.05044760 -0.04798235
#> [39,] 0.04980667 -0.04858263
#> [40,] 0.05045338 -0.04797693
#> 
#> 
#> $e
#>             [,1]       [,2]
#>  [1,] -0.5245853  0.5245853
#>  [2,] -0.5245843  0.5245843
#>  [3,]  0.4754163 -0.4754163
#>  [4,]  0.4754290 -0.4754290
#>  [5,] -0.5245865  0.5245865
#>  [6,] -0.5245882  0.5245882
#>  [7,]  0.4754182 -0.4754182
#>  [8,]  0.4754114 -0.4754114
#>  [9,] -0.5245838  0.5245838
#> [10,] -0.5245638  0.5245638
#> [11,] -0.5245763  0.5245763
#> [12,]  0.4754302 -0.4754302
#> [13,] -0.5245762  0.5245762
#> [14,] -0.5245819  0.5245819
#> [15,] -0.5245599  0.5245599
#> [16,] -0.5245832  0.5245832
#> [17,] -0.5245731  0.5245731
#> [18,] -0.5245875  0.5245875
#> [19,]  0.4754288 -0.4754288
#> [20,] -0.5245860  0.5245860
#> [21,]  0.4754138 -0.4754138
#> [22,] -0.5245877  0.5245877
#> [23,] -0.5245703  0.5245703
#> [24,]  0.4754225 -0.4754225
#> [25,]  0.4754113 -0.4754113
#> [26,]  0.4754147 -0.4754147
#> [27,]  0.4754143 -0.4754143
#> [28,]  0.4754130 -0.4754130
#> [29,] -0.5245551  0.5245551
#> [30,]  0.4754131 -0.4754131
#> [31,] -0.5245776  0.5245776
#> [32,] -0.5245814  0.5245814
#> [33,]  0.4754209 -0.4754209
#> [34,] -0.5245772  0.5245772
#> [35,] -0.5245818  0.5245818
#> [36,]  0.4754164 -0.4754164
#> [37,] -0.5245802  0.5245802
#> [38,] -0.5245876  0.5245876
#> [39,] -0.5245775  0.5245775
#> [40,]  0.4754123 -0.4754123
#> 
#> $L
#> [1] 0.6929570 0.6919599 0.6923959 0.6939527 0.6910105 0.7041939
#> 


# Make predictions for the test rows
predictions = learner$predict(task, row_ids = ids$test)

# Score the predictions
predictions$score()
#> classif.ce 
#>  0.5652174