retroc2/retroc2.ipynb

retroc2

import lzma
import csv
from stop_words import get_stop_words
import gensim
import itertools
from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
from sklearn.linear_model import LinearRegression

def read_data(filename):
    all_data = lzma.open(filename).read().decode('UTF-8').split('\n')
    return [line.split('\t') for line in all_data][:-1]

train_data = read_data('train/train.tsv.xz')[::250]

train_data[0]

['1985.49315068493',
 '1985.49589037925',
 'PRZEKRÓJ',
 'MBC',
 'nowią część kultury. U nas już nikt ich nie chce oglądać. Chciałam osiągnąć coś wprost przeciwnego: przywrócić kobietom zaufanie do samych siebie, do własnych mo!liwości. Katharłne Hepburn powłedziala. kłedyi, łe najtrudnłej$ze to ..aprzedawanłe debie jak bukietu Awłeźych kwiatów". Czy pant nie myllt. tak aamo7 Jestem bardziej odprężona niż Katharine. Gwiazdy jej generacji były większymi gwiazdami i musiały być całkiem nadzwyczajne. Nasze pokolenie jest banalniejsze. Jako kobieta i jako aktorka najlepiej czuję się w tłumie. --. Jest szalona rolnica między tym co ludzie o panł myl\'ą. a tllm. kim panł jeBt naprClwdę. Ja tego nie widzę. Był taki okres w naszym ż\'yciu, że Tom i ja n e mieliśmy pieniędzy. NIe pracowałam. Zyliśmy z koie zności bardzo skrom- -. -... .. nie. Zresztą dotychC" as zy- . popiół znad ruin miasta. Ogromny teren, obejmuJący około 58 km t został zamieniony w dymiące pogorzelisko. Ulice miasta pokryte były zwęglonymi zwłokami mieszkańc6w, kt6re w wielu miejscach tworzyły makabryczne stosy. Wśród ofiar znaleźli się wszyscy dostojnicy przybyli poprzedniego dnia z Fort de France. Przez pierwsze dwa dni trwała akcja ratunkowa, nie udało się jednak znale:fć ani jednej żywej istoty. Dopiero w niedzielę, 11 maja, usłyszano czyjeŚ jęki. Odrzucając głazy i gorący jeszcze popiół, odnaleziono mocno poparzonego i całkowicie wyczerpanego młodego człowieka. Okazało si że jest to więzień pochodzący z leo Precheur. Skazano go na tygodniowy pobyt w karnej celi (ciemnicy) za samowolne opuszczenie więzienia. Ta niesubordynacja okazała się dla Sylbarisa zbawienna. Grube mury celi, Rołożonej u pod!1 óża g?ry, uchroniły go od zrmażdźenla i od spalenia\'. Uratowany tak opisał nieprawdopodobną tragedię miasta: To btllo okolo 8 rano... nagle usłyszałem ogromny huk, a potem pTzeraźliwe krzyki ludzi. W sZ]lScy . l .\' , P walali: pa ę nę.... umIeram.... o kilku minutach. WSZ1łstkie ucichły. Wszystkie... :z 1D1/;qtkiem mo;ego... Ogień pochłonął miasto i jego mieszkańców. Spełniła się klątwa rzucona przez wodza karaibskiego przed nies łna ćwierć wiekiem. ANDRZEJ VORBRODT jemy o wiele skromniej, niż większość ludzi z Hollywood. Moje. dzieci chodzą do publicznej szkoły, nie chcę, by wyrastały na .snobów. Myślę, że każda aktorka chyba że gra wyłącznie kr6lowe i księżniczki musi pozostawać w kontakcie z normalnymi ludźmi i z normalnym życiem. Zresztą, gdybym nagle zdecydowała się żyć luksusowo, Tom niechybnie opuściłby mnie\' w mgnieniu oka. Wydawalo mł się nłer4%, e ma pant paC2. UC"ic winy z powodu awołch ]Jłeniędzy... Nic podobnego. Jestem dumna ze sposobu, w jaki wydaję moje pieniądze. Używam ich na cele? w które wierzę i o ktore walczę. - czy t,o prawda. te sfinanaowała pant calkouńcie kampanię elektoralną Toma przy pomocy płenłędZ1l zarobionych na aerobiku\' Tak. czy zna pani włelko\' swojej fortuny? ..:.. Mniej więcej. Przed Tomem byl Vad\'m; Paryt. cyganeria artystyczna, latwe tycie... Była pant kim innym. Jak doszlo do takiej zmiany? Dwadzie cia lat temu nie wiedziałam kim jestem. Byłam całkiem apolityczna. Kiedy wybuchła wojna w Wietnamie, n!e wiedziałam nawet gdzie leży Wietnam. A kiedy zrozumiałam, co naprawdę się dzieje w Wietnamie nie umiałam się wyłączyć j przestać walczyć o to, co Ic-uważalam za swój 000- wiązek. To calkowicle zmieniło']

stop_words = get_stop_words('pl') + ['a', 'u', 'i', 'z', 'w', 'o']
print(stop_words)

['ach', 'aj', 'albo', 'bardzo', 'bez', 'bo', 'być', 'ci', 'cię', 'ciebie', 'co', 'czy', 'daleko', 'dla', 'dlaczego', 'dlatego', 'do', 'dobrze', 'dokąd', 'dość', 'dużo', 'dwa', 'dwaj', 'dwie', 'dwoje', 'dziś', 'dzisiaj', 'gdyby', 'gdzie', 'go', 'ich', 'ile', 'im', 'inny', 'ja', 'ją', 'jak', 'jakby', 'jaki', 'je', 'jeden', 'jedna', 'jedno', 'jego', 'jej', 'jemu', 'jeśli', 'jest', 'jestem', 'jeżeli', 'już', 'każdy', 'kiedy', 'kierunku', 'kto', 'ku', 'lub', 'ma', 'mają', 'mam', 'mi', 'mną', 'mnie', 'moi', 'mój', 'moja', 'moje', 'może', 'mu', 'my', 'na', 'nam', 'nami', 'nas', 'nasi', 'nasz', 'nasza', 'nasze', 'natychmiast', 'nią', 'nic', 'nich', 'nie', 'niego', 'niej', 'niemu', 'nigdy', 'nim', 'nimi', 'niż', 'obok', 'od', 'około', 'on', 'ona', 'one', 'oni', 'ono', 'owszem', 'po', 'pod', 'ponieważ', 'przed', 'przedtem', 'są', 'sam', 'sama', 'się', 'skąd', 'tak', 'taki', 'tam', 'ten', 'to', 'tobą', 'tobie', 'tu', 'tutaj', 'twoi', 'twój', 'twoja', 'twoje', 'ty', 'wam', 'wami', 'was', 'wasi', 'wasz', 'wasza', 'wasze', 'we', 'więc', 'wszystko', 'wtedy', 'wy', 'żaden', 'zawsze', 'że', 'a', 'u', 'i', 'z', 'w', 'o']

train_data_tokenized = [list(set(gensim.utils.tokenize(x[4], lowercase = True))) for x in train_data]

train_data_tokenized[0]

['hepburn',
 'przestać',
 'skazano',
 'l',
 'chce',
 'ic',
 'miasto',
 'ta',
 'aerobiku',
 'czy',
 'wszyscy',
 'jestem',
 'już',
 'dymiące',
 'zarobionych',
 'katharine',
 'dwadzie',
 'zdecydowała',
 'normalnym',
 'potem',
 'jednej',
 'widzę',
 'tygodniowy',
 'toma',
 'byl',
 'huk',
 'liwości',
 'te',
 'kt',
 'mury',
 'fort',
 'więzienia',
 'okolo',
 'walczę',
 'o',
 'ani',
 'znaleźli',
 'dzieje',
 'okazała',
 'człowieka',
 'maja',
 'nawet',
 'wydawalo',
 'musiały',
 'minutach',
 'głazy',
 'qtkiem',
 'zbawienna',
 'wprost',
 'jednak',
 'wśród',
 'samowolne',
 'życiem',
 'kobieta',
 'g',
 'aprzedawanłe',
 'odrzucając',
 'dostojnicy',
 'uważalam',
 'paryt',
 'włelko',
 'luksusowo',
 'podobnego',
 'własnych',
 'katharłne',
 'karaibskiego',
 'samych',
 'wybuchła',
 'nic',
 'dla',
 'de',
 'księżniczki',
 'łna',
 'klątwa',
 'sfinanaowała',
 'powłedziala',
 'pani',
 'część',
 'wiązek',
 'wyłącznie',
 'rzucona',
 'akcja',
 'opuściłby',
 'karnej',
 'myl',
 'p',
 'leo',
 'zwłokami',
 'pokolenie',
 'miejscach',
 'spalenia',
 'kłedyi',
 'mieliśmy',
 'koie',
 'takiej',
 'walali',
 'rano',
 'naprawdę',
 'większymi',
 'na',
 'zna',
 'si',
 'normalnymi',
 'były',
 'apolityczna',
 'zaufanie',
 'całkiem',
 'zyliśmy',
 'ptzeraźliwe',
 'udało',
 'tym',
 're',
 'osiągnąć',
 'mgnieniu',
 'pochłonął',
 'naszym',
 'rołożonej',
 'grube',
 'oka',
 'tworzyły',
 'istoty',
 'debie',
 'każda',
 'zy',
 'mniej',
 'chciałam',
 'popiół',
 'leży',
 'najtrudnłej',
 'znad',
 'jego',
 'pochodzący',
 'zmieniło',
 'snobów',
 'dumna',
 'byłam',
 'yciu',
 'pieniądze',
 'pokryte',
 'bardziej',
 'm',
 'do',
 'bukietu',
 'żyć',
 'poparzonego',
 'w',
 'ę',
 'calkowicle',
 'vad',
 'tak',
 'gdzie',
 'kampanię',
 'celi',
 'pozostawać',
 'sylbarisa',
 'nieprawdopodobną',
 'nie',
 'około',
 'wojna',
 'calkouńcie',
 'odnaleziono',
 'uc',
 'które',
 'poprzedniego',
 'dzieci',
 'wietnam',
 'płenłędz',
 'publicznej',
 'odprężona',
 'spełniła',
 'ja',
 'nę',
 'stosy',
 'jęki',
 'wyłączyć',
 'chyba',
 'skrom',
 'jemy',
 'jak',
 'więcej',
 'była',
 'jłeniędzy',
 'przed',
 'nadzwyczajne',
 'musi',
 'młodego',
 'używam',
 'szalona',
 'przeciwnego',
 'naprclwdę',
 'to',
 'tom',
 'fć',
 'myślę',
 'wiedziałam',
 'za',
 'niesubordynacja',
 'nies',
 'by',
 'chcę',
 'ucichły',
 'lowe',
 'precheur',
 'zresztą',
 'dopiero',
 'winy',
 'j',
 'zności',
 'zamieniony',
 'mł',
 'ulice',
 'czyjeś',
 'taki',
 'ogień',
 'ze',
 'óża',
 'fortuny',
 'nas',
 'kwiatów',
 'usłyszano',
 'kim',
 'został',
 'ry',
 'as',
 'france',
 'moje',
 'ludzi',
 'n',
 'niż',
 'nłer',
 'jaki',
 'chodzą',
 'go',
 'makabryczne',
 'tomem',
 'siebie',
 'ogromny',
 'opuszczenie',
 'dotychc',
 'nikt',
 'panł',
 'tego',
 'pieniędzy',
 'wydaję',
 'jest',
 'pa',
 'skromniej',
 'bardzo',
 'powodu',
 'wiele',
 'aamo',
 'btllo',
 'przy',
 'latwe',
 'żywej',
 'sz',
 'gwiazdami',
 'ktore',
 'pobyt',
 'e',
 'elektoralną',
 'nagle',
 'tłumie',
 'pierwsze',
 'krzyki',
 'niedzielę',
 'wiekiem',
 'zwęglonymi',
 'pomocy',
 'ą',
 'tragedię',
 'teren',
 'ludźmi',
 'sposobu',
 'trwała',
 'łe',
 'artystyczna',
 'wielu',
 'i',
 'przybyli',
 'zrozumiałam',
 'mieszkańców',
 'okazało',
 'ma',
 'wyrastały',
 'lat',
 'wsz',
 'niechybnie',
 'mnie',
 'jeszcze',
 'wietnamie',
 'wodza',
 'cia',
 'temu',
 'myllt',
 'łstkie',
 'mo',
 'nowią',
 'kiedy',
 'pod',
 'vorbrodt',
 'od',
 'zmiany',
 'generacji',
 'tycie',
 'gra',
 'jebt',
 'pogorzelisko',
 't',
 'przez',
 'pant',
 'ż',
 'umieram',
 'okres',
 'hollywood',
 'ruin',
 'przywrócić',
 'opisał',
 'kultury',
 'czuję',
 'że',
 'mieszkańc',
 'pac',
 'cyganeria',
 'obejmujący',
 'pracowałam',
 'innym',
 'rolnica',
 'prawda',
 'swój',
 'nasze',
 'swojej',
 'większość',
 'uchroniły',
 'kobietom',
 'a',
 'oglądać',
 'znale',
 'wyczerpanego',
 'd',
 'ofiar',
 'co',
 'był',
 'aktorka',
 'z',
 'wszystkie',
 'szkoły',
 'uratowany',
 'między',
 'dwa',
 'km',
 'umiałam',
 'miasta',
 'kr',
 'gdybym',
 'awłeźych',
 'ich',
 'awołch',
 'doszlo',
 'więzień',
 'kontakcie',
 'jako',
 'zrmażdźenla',
 'usłyszałem',
 'ćwierć',
 'wierzę',
 'się',
 'mocno',
 'kilku',
 'coś',
 'ego',
 'być',
 'andrzej',
 'jej',
 'gwiazdy',
 'całkowicie',
 'tllm',
 'dni',
 'dnia',
 'walczyć',
 'ratunkowa',
 'lscy',
 'cele',
 'u',
 'banalniejsze',
 'ludzie',
 'gorący',
 'najlepiej',
 'ciemnicy']

train_data_stemmatized = [list(set([w[:6] for w in set(i) - set(stop_words)])) for i in train_data_tokenized]
train_data_stemmatized[0]

['zreszt',
 'l',
 'kontak',
 'chce',
 'ic',
 'miasto',
 'sposob',
 'ta',
 'uchron',
 'kultur',
 'wszysc',
 'pozost',
 'potem',
 'jednej',
 'widzę',
 'toma',
 'spełni',
 'byl',
 'vorbro',
 'huk',
 'okazał',
 'te',
 'kt',
 'mury',
 'fort',
 'okolo',
 'odpręż',
 'nadzwy',
 'walczę',
 'ani',
 'mieliś',
 'dzieje',
 'odrzuc',
 'podobn',
 'maja',
 'nawet',
 'głazy',
 'qtkiem',
 'wprost',
 'jednak',
 'wśród',
 'karaib',
 'genera',
 'osiągn',
 'życiem',
 'g',
 'rzucon',
 'paryt',
 'włelko',
 'dymiąc',
 'ogląda',
 'awłeźy',
 'niechy',
 'samych',
 'gwiazd',
 'de',
 'łna',
 'hollyw',
 'pochod',
 'klątwa',
 'samowo',
 'sylbar',
 'pani',
 'część',
 'wiązek',
 'akcja',
 'niedzi',
 'karnej',
 'myl',
 'szalon',
 'p',
 'leo',
 'rołożo',
 'całkie',
 'kłedyi',
 'koie',
 'takiej',
 'elekto',
 'walali',
 'rano',
 'zna',
 'ucichł',
 'si',
 'zamien',
 'były',
 'wyczer',
 'całkow',
 'udało',
 'tym',
 'naprcl',
 'znaleź',
 'mieszk',
 'calkow',
 're',
 'naszym',
 'grube',
 'oka',
 'liwośc',
 'umiała',
 'istoty',
 'debie',
 'każda',
 'zy',
 'mniej',
 'popiół',
 'miejsc',
 'leży',
 'znad',
 'andrze',
 'wyłącz',
 'snobów',
 'dumna',
 'byłam',
 'przeci',
 'dopier',
 'odnale',
 'yciu',
 'calkou',
 'najtru',
 'm',
 'zarobi',
 'chciał',
 'żyć',
 'ę',
 'vad',
 'hepbur',
 'celi',
 'przywr',
 'wojna',
 'opuszc',
 'dwadzi',
 'ptzera',
 'uc',
 'które',
 'dzieci',
 'zrozum',
 'musiał',
 'zbawie',
 'bardzi',
 'nę',
 'stosy',
 'jęki',
 'zwęglo',
 'młodeg',
 'poparz',
 'chyba',
 'aprzed',
 'skrom',
 'jemy',
 'skromn',
 'więcej',
 'była',
 'większ',
 'kwiató',
 'musi',
 'używam',
 'zwłoka',
 'wybuch',
 'tygodn',
 'niepra',
 'wietna',
 'cygane',
 'tom',
 'fć',
 'człowi',
 'myślę',
 'za',
 'nies',
 'by',
 'pokryt',
 'chcę',
 'lowe',
 'winy',
 'j',
 'zdecyd',
 'zności',
 'mł',
 'ulice',
 'czyjeś',
 'ogień',
 'ze',
 'makabr',
 'óża',
 'kim',
 'został',
 'ry',
 'as',
 'france',
 'ludzi',
 'n',
 'umiera',
 'nłer',
 'chodzą',
 'pienię',
 'tomem',
 'kobiet',
 'siebie',
 'wiekie',
 'sfinan',
 'nikt',
 'panł',
 'tego',
 'wydaję',
 'ogromn',
 'rolnic',
 'pa',
 'ratunk',
 'powodu',
 'artyst',
 'wiele',
 'zaufan',
 'public',
 'aamo',
 'btllo',
 'przy',
 'latwe',
 'żywej',
 'skazan',
 'sz',
 'ktore',
 'minuta',
 'pobyt',
 'e',
 'powłed',
 'pogorz',
 'jłenię',
 'apolit',
 'ciemni',
 'nagle',
 'najlep',
 'tłumie',
 'krzyki',
 'usłysz',
 'jeszcz',
 'pomocy',
 'przyby',
 'ą',
 'teren',
 'ludźmi',
 'trwała',
 'zrmażd',
 'łe',
 'walczy',
 'wielu',
 'dotych',
 'tworzy',
 'lat',
 'wsz',
 'banaln',
 'wyrast',
 'wszyst',
 'wodza',
 'cia',
 'temu',
 'myllt',
 'własny',
 'normal',
 'łstkie',
 'dostoj',
 'uważal',
 'mo',
 'nowią',
 'wiedzi',
 'aerobi',
 'pracow',
 'płenłę',
 'zmiany',
 'tycie',
 'gra',
 'opuści',
 'jebt',
 't',
 'przez',
 'pant',
 'ż',
 'okres',
 'spalen',
 'ruin',
 'opisał',
 'więzie',
 'czuję',
 'luksus',
 'pac',
 'mgnien',
 'innym',
 'kampan',
 'prawda',
 'aktork',
 'swój',
 'obejmu',
 'swojej',
 'znale',
 'zyliśm',
 'kathar',
 'd',
 'ofiar',
 'pierws',
 'napraw',
 'traged',
 'był',
 'zmieni',
 'szkoły',
 'między',
 'km',
 'miasta',
 'kr',
 'gdybym',
 'przest',
 'awołch',
 'doszlo',
 'pochło',
 'uratow',
 'jako',
 'wierzę',
 'ćwierć',
 'preche',
 'mocno',
 'kilku',
 'coś',
 'poprze',
 'ego',
 'pokole',
 'księżn',
 'bukiet',
 'tllm',
 'fortun',
 'dni',
 'dnia',
 'niesub',
 'wydawa',
 'lscy',
 'cele',
 'pienią',
 'ludzie',
 'gorący']

vectorizer = TfidfVectorizer()
vectors = vectorizer.fit_transform([' '.join(i) for i in train_data_stemmatized])

feature_names = vectorizer.get_feature_names()
dense = vectors.todense()
denselist = dense.tolist()
df = pd.DataFrame(denselist, columns=feature_names)

len(train_data)

430

df[:10]

	__	___	____	_____	______	____x	__ch	__n_	__naie	__o	...	франкф	фялофс	что	шшяшшш	щвашш	ьввдвн	ьлало	эавкде	юрвдич	ях
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	0.0	0.0	0.0	0.0	0.0	0.0
1	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	0.0	0.0	0.0	0.0	0.0
2	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	0.0	0.0	0.0	0.0	0.0
3	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	0.0	0.0	0.0	0.0	0.0
4	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	0.0	0.0	0.0	0.0	0.0
5	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	0.0	0.0	0.0	0.0	0.0
6	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	0.0	0.0	0.0	0.0	0.0
7	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	0.0	0.0	0.0	0.0	0.0
8	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	0.0	0.0	0.0	0.0	0.0
9	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	0.0	0.0	0.0	0.0	0.0

10 rows × 42788 columns

vectorizer.transform(['__ ma kota']).toarray()[0]

array([0.47377066, 0.        , 0.        , ..., 0.        , 0.        ,
       0.        ])

train_Y = [(float(x[0]) + float(x[1])) / 2 for x in train_data]

model = LinearRegression()  # definicja modelu
model.fit(df, train_Y)  # dopasowanie modelu

LinearRegression()

model.predict(df[:10])

array([1985.49452053, 1925.6178082 , 1967.30958903, 1937.49999998,
       1919.55479387, 1932.77459015, 1842.49999998, 1932.08333332,
       1930.67808218, 2000.49999998])

with open('dev-0/in.tsv', "r", encoding="utf-8") as f:
    dev_0_data = [line.rstrip() for line in f]

dev_0_data_tokenized = [list(set(gensim.utils.tokenize(x, lowercase = True))) for x in dev_0_data]
dev_0_data_stemmatized = [list(set([w[:6] for w in set(i) - set(stop_words)])) for i in dev_0_data_tokenized]
dev_0_data = [' '.join(i) for i in dev_0_data_stemmatized]

y_predicted = model.predict(vectorizer.transform(dev_0_data).toarray())

y_predicted[:10]

array([1889.28635713, 1950.9440436 , 1957.26235075, 1959.53052259,
       1914.96228803, 1948.17090442, 1951.19472106, 1917.66714928,
       1912.14525243, 1936.7929999 ])

f = open("dev-0/out.tsv", "a")
for i in y_predicted:
    f.write(str(round(i, 11)) + '\n')
f.close()

with open('dev-0/expected.tsv', "r", encoding="utf-8") as f:
    e = [line.rstrip() for line in f]

import math
t = []
for i in range(len(y_predicted)):
    tmp = (float(y_predicted[i]) - float(e[i])) ** 2
    t.append(tmp)
print(math.sqrt(sum(t)/len(y_predicted)))

38.80250628936373

with open('test-A/in.tsv', "r", encoding="utf-8") as f:
    test_A_data = [line.rstrip() for line in f]

test_A_data_tokenized = [list(set(gensim.utils.tokenize(x, lowercase = True))) for x in test_A_data]
test_A_data_stemmatized = [list(set([w[:6] for w in set(i) - set(stop_words)])) for i in test_A_data_tokenized]
test_A_data = [' '.join(i) for i in test_A_data_stemmatized]

y_test_predicted = model.predict(vectorizer.transform(test_A_data).toarray())

y_test_predicted[:10]

array([1970.80482572, 1891.52353205, 1914.05051655, 1921.30242974,
       1908.01225049, 1912.69373127, 1911.11153893, 1948.74997295,
       1925.77888352, 1923.62798817])

f = open("test-A/out.tsv", "a")
for i in y_test_predicted:
    f.write(str(round(i, 11)) + '\n')
f.close()