Predicted classification with a lacs model

Usage

predict(object, ...)

# S3 method for class 'lacs'
predict(object, ..., abstracts, type = "class", plus = TRUE)

Arguments

object: An object of lacs class to predict the text classification
...: additional arguments
abstracts: An object of class abstracts. Is a data.frame with abstracts
type: The type of the predicted response given a lacs model. Could be the class (Binary output) or the probability given the plus model inside the lacs object
plus: If TRUE use the cutoff threshold to predict the class from the plus object. If FALSE use the cv.glmnet object without cutoff threshold.

Value

A vector of response. If the type is set as class returns a logical vector. If the type is response return a vector of probabilities.

Examples

model <- lacs(lacsSample[1:200, ])
lacsSample <- get_abstracts(lacsSample)
predict(model, abstracts = lacsSample )
#>   [1] FALSE FALSE FALSE TRUE  FALSE FALSE TRUE  FALSE TRUE  FALSE FALSE TRUE 
#>  [13] FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE TRUE 
#>  [25] FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#>  [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#>  [49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  TRUE 
#>  [61] FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE 
#>  [73] FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE
#>  [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#>  [97] FALSE FALSE TRUE  TRUE  TRUE  FALSE FALSE TRUE  TRUE  TRUE  FALSE FALSE
#> [109] FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [121] FALSE FALSE FALSE FALSE FALSE TRUE  TRUE  FALSE FALSE FALSE FALSE FALSE
#> [133] FALSE FALSE TRUE  TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE 
#> [145] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [157] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [169] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE 
#> [181] FALSE FALSE FALSE TRUE  TRUE  FALSE FALSE FALSE TRUE  FALSE FALSE FALSE
#> [193] FALSE FALSE FALSE TRUE  TRUE  TRUE  FALSE FALSE FALSE FALSE FALSE FALSE
#> [205] TRUE  FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [217] FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE
#> [229] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE
#> [241] FALSE FALSE TRUE  FALSE FALSE TRUE  TRUE  FALSE TRUE  FALSE FALSE FALSE
#> [253] FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE
#> [265] TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE
#> [277] FALSE FALSE TRUE  FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE
#> [289] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [301] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE
#> [313] FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [325] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE
#> [337] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [349] FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [361] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE
#> [373] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE
#> [385] FALSE TRUE  FALSE FALSE FALSE FALSE TRUE  TRUE  FALSE TRUE  FALSE FALSE
#> [397] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE
#> [409] FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [421] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [433] FALSE FALSE FALSE FALSE TRUE  TRUE  FALSE FALSE FALSE FALSE FALSE FALSE
#> [445] FALSE FALSE FALSE FALSE FALSE TRUE  FALSE TRUE  FALSE FALSE FALSE FALSE
#> [457] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE 
#> [469] FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [481] TRUE  FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE TRUE  FALSE TRUE 
#> [493] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [505] FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE
#> [517] TRUE  TRUE  FALSE FALSE FALSE TRUE  FALSE TRUE  FALSE FALSE FALSE FALSE
#> [529] FALSE FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [541] FALSE FALSE FALSE TRUE  FALSE TRUE  TRUE  FALSE TRUE  FALSE FALSE TRUE 
#> [553] FALSE FALSE TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [565] FALSE TRUE  FALSE FALSE TRUE  FALSE TRUE  FALSE FALSE FALSE FALSE FALSE
#> [577] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [589] FALSE FALSE FALSE TRUE  TRUE  FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> Levels: FALSE TRUE
predict(model, abstracts = lacsSample,  plus = FALSE )
#>   [1] 0 0 0 1 0 0 1 0 1 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0
#>  [38] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0
#>  [75] 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 1 0 0 0 1 0
#> [112] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0
#> [149] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 1
#> [186] 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
#> [223] 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1
#> [260] 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
#> [297] 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
#> [334] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
#> [371] 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0
#> [408] 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
#> [445] 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1
#> [482] 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
#> [519] 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 1 0 0 1 0 0 0
#> [556] 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
#> [593] 0 0 0 0 0 0 0 0
predict(model, abstracts = lacsSample, type = "response")
#>      lambda.min
#> 1   0.069873049
#> 2   0.026955172
#> 3   0.069873049
#> 4   0.999999895
#> 5   0.069873049
#> 6   0.069873049
#> 7   0.799959917
#> 8   0.069873049
#> 9   0.896207348
#> 10  0.069873049
#> 11  0.001387177
#> 12  0.999077751
#> 13  0.010112001
#> 14  0.999975592
#> 15  0.069873049
#> 16  0.069873049
#> 17  0.069873049
#> 18  0.069873049
#> 19  0.069873049
#> 20  0.069873049
#> 21  0.069873049
#> 22  0.999989092
#> 23  0.069873049
#> 24  0.993536645
#> 25  0.069873049
#> 26  0.999999093
#> 27  0.533647757
#> 28  0.069873049
#> 29  0.069873049
#> 30  0.010112001
#> 31  0.069873049
#> 32  0.069873049
#> 33  0.069873049
#> 34  0.069873049
#> 35  0.069873049
#> 36  0.069873049
#> 37  0.069873049
#> 38  0.069873049
#> 39  0.069873049
#> 40  0.069873049
#> 41  0.069873049
#> 42  0.069873049
#> 43  0.069873049
#> 44  0.069873049
#> 45  0.069873049
#> 46  0.384301030
#> 47  0.019478124
#> 48  0.032712699
#> 49  0.069873049
#> 50  0.019478124
#> 51  0.026955172
#> 52  0.099170488
#> 53  0.260513693
#> 54  0.069873049
#> 55  0.069873049
#> 56  0.069873049
#> 57  0.045999879
#> 58  0.001387177
#> 59  0.977319015
#> 60  0.999674407
#> 61  0.032712699
#> 62  0.010112001
#> 63  0.896207348
#> 64  0.069873049
#> 65  0.069873049
#> 66  0.069873049
#> 67  0.001387177
#> 68  0.069873049
#> 69  0.061474055
#> 70  0.069873049
#> 71  0.069873049
#> 72  0.999947208
#> 73  0.069873049
#> 74  0.069873049
#> 75  0.010112001
#> 76  0.069873049
#> 77  0.032712699
#> 78  0.069873049
#> 79  0.999999998
#> 80  0.205227332
#> 81  0.163388739
#> 82  0.069873049
#> 83  0.069873049
#> 84  0.069873049
#> 85  0.069873049
#> 86  0.010112001
#> 87  0.069873049
#> 88  0.026955172
#> 89  0.333838677
#> 90  0.297629204
#> 91  0.069873049
#> 92  0.079168083
#> 93  0.069873049
#> 94  0.069873049
#> 95  0.340384891
#> 96  0.069873049
#> 97  0.069873049
#> 98  0.069873049
#> 99  0.802103376
#> 100 0.970367978
#> 101 0.987250499
#> 102 0.069873049
#> 103 0.069873049
#> 104 1.000000000
#> 105 0.900090305
#> 106 0.998573475
#> 107 0.069873049
#> 108 0.069873049
#> 109 0.069873049
#> 110 0.999918266
#> 111 0.026955172
#> 112 0.069873049
#> 113 0.069873049
#> 114 0.010112001
#> 115 0.069873049
#> 116 0.256886651
#> 117 0.092795878
#> 118 0.069873049
#> 119 0.226720399
#> 120 0.069873049
#> 121 0.069873049
#> 122 0.069873049
#> 123 0.069873049
#> 124 0.069873049
#> 125 0.069873049
#> 126 0.999997767
#> 127 0.999999847
#> 128 0.032712699
#> 129 0.069873049
#> 130 0.032712699
#> 131 0.069873049
#> 132 0.069873049
#> 133 0.032712699
#> 134 0.019478124
#> 135 0.999888143
#> 136 0.999999875
#> 137 0.069873049
#> 138 0.010112001
#> 139 0.069873049
#> 140 0.069873049
#> 141 0.069873049
#> 142 0.069873049
#> 143 0.019478124
#> 144 0.999948731
#> 145 0.069873049
#> 146 0.491936618
#> 147 0.044308134
#> 148 0.069873049
#> 149 0.069873049
#> 150 0.069873049
#> 151 0.104288282
#> 152 0.069873049
#> 153 0.069873049
#> 154 0.069873049
#> 155 0.069873049
#> 156 0.069873049
#> 157 0.069873049
#> 158 0.069873049
#> 159 0.256886651
#> 160 0.069873049
#> 161 0.069873049
#> 162 0.069873049
#> 163 0.511541502
#> 164 0.421551417
#> 165 0.069873049
#> 166 0.069873049
#> 167 0.069873049
#> 168 0.037193551
#> 169 0.069873049
#> 170 0.069873049
#> 171 0.069873049
#> 172 0.999160838
#> 173 0.069873049
#> 174 0.069873049
#> 175 0.001387177
#> 176 0.069873049
#> 177 0.069873049
#> 178 0.069873049
#> 179 0.069873049
#> 180 0.988432257
#> 181 0.069873049
#> 182 0.026955172
#> 183 0.069873049
#> 184 1.000000000
#> 185 0.999998565
#> 186 0.108038612
#> 187 0.069873049
#> 188 0.069873049
#> 189 0.999996559
#> 190 0.010112001
#> 191 0.069873049
#> 192 0.026955172
#> 193 0.069873049
#> 194 0.001387177
#> 195 0.069873049
#> 196 1.000000000
#> 197 1.000000000
#> 198 0.991694210
#> 199 0.069873049
#> 200 0.069873049
#> 201 0.043286737
#> 202 0.069873049
#> 203 0.069873049
#> 204 0.069873049
#> 205 0.999989092
#> 206 0.069873049
#> 207 0.999999895
#> 208 0.069873049
#> 209 0.001387177
#> 210 0.069873049
#> 211 0.069873049
#> 212 0.069873049
#> 213 0.163388739
#> 214 0.069873049
#> 215 0.069873049
#> 216 0.069873049
#> 217 0.069873049
#> 218 0.069873049
#> 219 0.019478124
#> 220 0.069873049
#> 221 0.069873049
#> 222 0.643731710
#> 223 0.069873049
#> 224 0.069873049
#> 225 0.069873049
#> 226 0.001387177
#> 227 0.026955172
#> 228 0.069873049
#> 229 0.010112001
#> 230 0.010112001
#> 231 0.069873049
#> 232 0.932922830
#> 233 0.069873049
#> 234 0.069873049
#> 235 0.069873049
#> 236 0.069873049
#> 237 0.069873049
#> 238 0.005225608
#> 239 0.999998225
#> 240 0.069873049
#> 241 0.069873049
#> 242 0.069873049
#> 243 0.999999990
#> 244 0.069873049
#> 245 0.069873049
#> 246 1.000000000
#> 247 0.993590195
#> 248 0.069873049
#> 249 0.998993425
#> 250 0.069873049
#> 251 0.069873049
#> 252 0.069873049
#> 253 0.069873049
#> 254 0.069873049
#> 255 0.069873049
#> 256 0.226720399
#> 257 0.069873049
#> 258 0.069873049
#> 259 1.000000000
#> 260 0.069873049
#> 261 0.069873049
#> 262 0.069873049
#> 263 0.069873049
#> 264 0.069873049
#> 265 1.000000000
#> 266 0.069873049
#> 267 0.069873049
#> 268 0.069873049
#> 269 0.069873049
#> 270 0.069873049
#> 271 0.069873049
#> 272 0.069873049
#> 273 0.642750582
#> 274 0.069873049
#> 275 0.069873049
#> 276 0.069873049
#> 277 0.019478124
#> 278 0.069873049
#> 279 0.996540349
#> 280 0.069873049
#> 281 0.069873049
#> 282 0.069873049
#> 283 0.999789962
#> 284 0.036348416
#> 285 0.001387177
#> 286 0.069873049
#> 287 0.069873049
#> 288 0.069873049
#> 289 0.069873049
#> 290 0.069873049
#> 291 0.018587250
#> 292 0.069873049
#> 293 0.010112001
#> 294 0.069873049
#> 295 0.069873049
#> 296 0.069873049
#> 297 0.069873049
#> 298 0.069873049
#> 299 0.069873049
#> 300 0.069873049
#> 301 0.069873049
#> 302 0.069873049
#> 303 0.069873049
#> 304 0.773368007
#> 305 0.069873049
#> 306 0.069873049
#> 307 0.069873049
#> 308 0.069873049
#> 309 0.980964295
#> 310 0.069873049
#> 311 0.069873049
#> 312 0.069873049
#> 313 0.001387177
#> 314 0.001387177
#> 315 0.069873049
#> 316 0.069873049
#> 317 0.997726026
#> 318 0.069873049
#> 319 0.069873049
#> 320 0.069873049
#> 321 0.069873049
#> 322 0.010112001
#> 323 0.001387177
#> 324 0.069873049
#> 325 0.069873049
#> 326 0.069873049
#> 327 0.069873049
#> 328 0.069873049
#> 329 0.069873049
#> 330 0.069873049
#> 331 0.001387177
#> 332 0.069873049
#> 333 0.069873049
#> 334 0.945742576
#> 335 0.019478124
#> 336 0.010112001
#> 337 0.069873049
#> 338 0.069873049
#> 339 0.069873049
#> 340 0.069873049
#> 341 0.001387177
#> 342 0.069873049
#> 343 0.069873049
#> 344 0.019478124
#> 345 0.010112001
#> 346 0.069873049
#> 347 0.069873049
#> 348 0.069873049
#> 349 0.069873049
#> 350 0.854216045
#> 351 0.069873049
#> 352 0.336749493
#> 353 0.069873049
#> 354 0.069873049
#> 355 0.069873049
#> 356 0.069873049
#> 357 0.069873049
#> 358 0.069873049
#> 359 0.069873049
#> 360 0.069873049
#> 361 0.069873049
#> 362 0.069873049
#> 363 0.069873049
#> 364 0.802103376
#> 365 0.069873049
#> 366 0.069873049
#> 367 0.069873049
#> 368 0.069873049
#> 369 0.701321305
#> 370 0.069873049
#> 371 0.084228318
#> 372 0.069873049
#> 373 0.069873049
#> 374 0.069873049
#> 375 0.069873049
#> 376 0.069873049
#> 377 0.069873049
#> 378 0.069873049
#> 379 0.019478124
#> 380 0.069873049
#> 381 0.069873049
#> 382 0.069873049
#> 383 0.999999999
#> 384 0.069873049
#> 385 0.010112001
#> 386 1.000000000
#> 387 0.069873049
#> 388 0.069873049
#> 389 0.069873049
#> 390 0.336749493
#> 391 0.999959542
#> 392 0.876080439
#> 393 0.069873049
#> 394 0.998499255
#> 395 0.069873049
#> 396 0.069873049
#> 397 0.069873049
#> 398 0.069873049
#> 399 0.069873049
#> 400 0.069873049
#> 401 0.069873049
#> 402 0.010112001
#> 403 0.069873049
#> 404 0.540237548
#> 405 0.999959542
#> 406 0.069873049
#> 407 0.069873049
#> 408 0.010112001
#> 409 0.069873049
#> 410 0.069873049
#> 411 0.953195358
#> 412 0.069873049
#> 413 0.069873049
#> 414 0.069873049
#> 415 0.069873049
#> 416 0.069873049
#> 417 0.124368269
#> 418 0.069873049
#> 419 0.001387177
#> 420 0.069873049
#> 421 0.069873049
#> 422 0.069873049
#> 423 0.069873049
#> 424 0.999915253
#> 425 0.069873049
#> 426 0.069873049
#> 427 0.069873049
#> 428 0.069873049
#> 429 0.069873049
#> 430 0.069873049
#> 431 0.069873049
#> 432 0.069873049
#> 433 0.069873049
#> 434 0.269232202
#> 435 0.069873049
#> 436 0.069873049
#> 437 0.953195358
#> 438 0.998993425
#> 439 0.032712699
#> 440 0.019478124
#> 441 0.069873049
#> 442 0.026955172
#> 443 0.069873049
#> 444 0.069873049
#> 445 0.069873049
#> 446 0.069873049
#> 447 0.069873049
#> 448 0.069873049
#> 449 0.001387177
#> 450 0.998499255
#> 451 0.069873049
#> 452 0.945742576
#> 453 0.069873049
#> 454 0.069873049
#> 455 0.069873049
#> 456 0.069873049
#> 457 0.069873049
#> 458 0.069873049
#> 459 0.069873049
#> 460 0.069873049
#> 461 0.069873049
#> 462 0.069873049
#> 463 0.069873049
#> 464 0.069873049
#> 465 0.069873049
#> 466 0.069873049
#> 467 0.069873049
#> 468 0.998993425
#> 469 0.069873049
#> 470 0.999999847
#> 471 0.069873049
#> 472 0.069873049
#> 473 0.069873049
#> 474 0.205227332
#> 475 0.069873049
#> 476 0.069873049
#> 477 0.069873049
#> 478 0.069873049
#> 479 0.069873049
#> 480 0.069873049
#> 481 0.876080439
#> 482 0.069873049
#> 483 0.069873049
#> 484 0.069873049
#> 485 0.069873049
#> 486 0.069873049
#> 487 0.069873049
#> 488 0.997513341
#> 489 0.069873049
#> 490 0.876080439
#> 491 0.010112001
#> 492 0.999994573
#> 493 0.069873049
#> 494 0.069873049
#> 495 0.001387177
#> 496 0.019478124
#> 497 0.069873049
#> 498 0.069873049
#> 499 0.069873049
#> 500 0.069873049
#> 501 0.001387177
#> 502 0.001387177
#> 503 0.124368269
#> 504 0.069873049
#> 505 0.069873049
#> 506 0.069873049
#> 507 0.026955172
#> 508 0.069873049
#> 509 0.069873049
#> 510 0.069873049
#> 511 0.069873049
#> 512 1.000000000
#> 513 0.069873049
#> 514 0.069873049
#> 515 0.069873049
#> 516 0.069873049
#> 517 0.977319015
#> 518 0.779968377
#> 519 0.069873049
#> 520 0.069873049
#> 521 0.069873049
#> 522 0.999975592
#> 523 0.069873049
#> 524 0.999858003
#> 525 0.069873049
#> 526 0.069873049
#> 527 0.069873049
#> 528 0.069873049
#> 529 0.069873049
#> 530 0.069873049
#> 531 0.069873049
#> 532 0.999999895
#> 533 0.069873049
#> 534 0.069873049
#> 535 0.069873049
#> 536 0.069873049
#> 537 0.069873049
#> 538 0.069873049
#> 539 0.069873049
#> 540 0.069873049
#> 541 0.069873049
#> 542 0.010112001
#> 543 0.069873049
#> 544 0.998499255
#> 545 0.069873049
#> 546 0.656361819
#> 547 1.000000000
#> 548 0.069873049
#> 549 0.979824151
#> 550 0.069873049
#> 551 0.069873049
#> 552 1.000000000
#> 553 0.019478124
#> 554 0.069873049
#> 555 0.838346604
#> 556 0.069873049
#> 557 0.617121425
#> 558 0.069873049
#> 559 0.069873049
#> 560 0.069873049
#> 561 0.069873049
#> 562 0.069873049
#> 563 0.069873049
#> 564 0.069873049
#> 565 0.069873049
#> 566 0.977319015
#> 567 0.069873049
#> 568 0.069873049
#> 569 1.000000000
#> 570 0.069873049
#> 571 0.989144945
#> 572 0.069873049
#> 573 0.069873049
#> 574 0.069873049
#> 575 0.315826790
#> 576 0.336749493
#> 577 0.069873049
#> 578 0.069873049
#> 579 0.069873049
#> 580 0.141467048
#> 581 0.069873049
#> 582 0.069873049
#> 583 0.069873049
#> 584 0.010112001
#> 585 0.069873049
#> 586 0.069873049
#> 587 0.069873049
#> 588 0.069873049
#> 589 0.069873049
#> 590 0.069873049
#> 591 0.069873049
#> 592 0.998499255
#> 593 0.977319015
#> 594 0.069873049
#> 595 0.069873049
#> 596 0.069873049
#> 597 0.069873049
#> 598 0.069873049
#> 599 0.069873049
#> 600 0.069873049