diff --git a/mian_wieksze copy.py b/mian_wieksze copy.py
deleted file mode 100644
index bb5c339..0000000
--- a/mian_wieksze copy.py	
+++ /dev/null
@@ -1,150 +0,0 @@
-import nltk
-import pandas as pd
-from sklearn.neural_network import MLPClassifier
-from nltk.tokenize import word_tokenize
-from gensim.models import Word2Vec
-import numpy as np
-nltk.download('punkt')
-
-# w pliku train.tsv w kolumnach 25706, 58881, 73761 trzeba zamienic w tekscie tabulator na 4 spacje
-train = pd.read_csv('train/train.tsv', sep='\t', names=['y', 'x'], header=None)
-print(train["y"][0], train["x"][0])
-
-# https://www.geeksforgeeks.org/python-word-embedding-using-word2vec/
-slowa_train = []
-for tekst in train["x"]:
-    pom = []
-    for slowo in word_tokenize(tekst):
-        pom.append(slowo.lower())
-    slowa_train.append(pom)
-print(slowa_train[0])
-
-# https://radimrehurek.com/gensim/models/word2vec.html
-model = Word2Vec(sentences=slowa_train, vector_size=100, window=5, min_count=1, workers=4)
-model.save("word2vec.model")
-
-wektor = model.wv['przyjmujący']
-print(wektor)
-
-podobne = model.wv.most_similar('przyjmujący', topn=5)
-print(podobne)
-
-teksty = []
-for tekst in train["x"]:
-    pom = None
-    for slowo in word_tokenize(tekst):
-        wektor = model.wv[slowo.lower()]
-        if pom is None:
-            pom = wektor
-        else:
-            pom = np.concatenate((pom,wektor))
-    teksty.append(pom)
-print(teksty[0].shape)
-#print(teksty[0])
-
-liczba_wejscia = 1000#0
-
-poprawione_teksty = []
-for wektor in teksty:
-    if len(wektor)>liczba_wejscia:
-        poprawione_teksty.append(wektor[:liczba_wejscia])
-    else:
-        poprawione_teksty.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
-print(poprawione_teksty[0].shape)
-#print(poprawione_teksty[0])
-
-print(train["y"].to_numpy())
-
-X = poprawione_teksty
-y = train["y"].to_numpy()
-
-clf = MLPClassifier()   # activation="tanh"
-clf.fit(X, y)
-
-# w pliku in.tsv w kolumnach 1983, 5199 trzeba zamienic w tekscie tabulator na 4 spacje
-dev_in = pd.read_csv('dev-0/in.tsv', sep='\t', names=['x'], header=None)
-print(dev_in["x"][0])
-
-dev_expected = pd.read_csv('dev-0/expected.tsv', sep='\t', names=['y'], header=None)
-print(dev_expected["y"][0])
-
-teksty_dev= []
-for tekst in dev_in["x"]:
-    pom = None
-    for slowo in word_tokenize(tekst):
-        wektor = None
-        try:
-            wektor = model.wv[slowo.lower()]
-        except KeyError:
-            pass
-        if wektor is not None:
-            if pom is None:
-                pom = wektor
-            else:
-                pom = np.concatenate((pom,wektor))
-    teksty_dev.append(pom)
-print(teksty_dev[0].shape)
-#print(teksty_dev[0])
-
-poprawione_teksty_dev = []
-for wektor in teksty_dev:
-    if len(wektor)>liczba_wejscia:
-        poprawione_teksty_dev.append(wektor[:liczba_wejscia])
-    else:
-        poprawione_teksty_dev.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
-print(poprawione_teksty_dev[0].shape)
-#print(poprawione_teksty_dev[0])
-
-przewidywania_dev = clf.predict(poprawione_teksty_dev)
-print(przewidywania_dev)
-
-with open("dev-0/out.tsv", "w", encoding="utf-8") as uwu:
-    for p in przewidywania_dev:
-        uwu.write(str(p)+"\n")
-
-mianownik = 0
-licznik=0
-for e,o in zip(dev_expected["y"].to_list(),przewidywania_dev):
-    mianownik +=1
-    if e==o:
-        licznik +=1
-print(licznik,"/",mianownik,licznik/mianownik)
-
-
-# w pliku in.tsv w kolumnach 1983, 5199 trzeba zamienic w tekscie tabulator na 4 spacje
-test = pd.read_csv('test-A/in.tsv', sep='\t', names=['x'], header=None)
-print(test["x"][0])
-
-teksty_test = []
-for tekst in test["x"]:
-    pom = None
-    for slowo in word_tokenize(tekst):
-        wektor = None
-        try:
-            wektor = model.wv[slowo.lower()]
-        except KeyError:
-            pass
-        if wektor is not None:
-            if pom is None:
-                pom = wektor
-            else:
-                pom = np.concatenate((pom,wektor))
-    teksty_test.append(pom)
-print(teksty_test[0].shape)
-#print(teksty_test[0])
-
-poprawione_teksty_test = []
-for wektor in teksty_test:
-    if len(wektor)>liczba_wejscia:
-        poprawione_teksty_test.append(wektor[:liczba_wejscia])
-    else:
-        poprawione_teksty_test.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
-print(poprawione_teksty_test[0].shape)
-print(poprawione_teksty_test[0])
-
-przewidywania = clf.predict(poprawione_teksty_test)
-print(przewidywania)
-
-with open("test-A/out.tsv", "w", encoding="utf-8") as uwu:
-    for p in przewidywania:
-        uwu.write(str(p)+"\n")