导入所需的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
初始化参数
def init_(dim):
w=np.zeros((dim,1))
b=0
return w,b
激活函数
def sigmoid(z):
return 1/(1+np.exp(-1*z))
传播
def propagate(x,y,w,b):
m=x.shape[1]
A = sigmoid(np.dot(w.T,x) + b) #计算激活值，请参考公式2。
cost = (- 1 / m) * np.sum(y * np.log(A) + (1 - y) * (np.log(1 - A)))
dw = (1 / m) * np.dot(y, (A - y).T) #请参考视频中的偏导公式。
db = (1 / m) * np.sum(A - y)
cost=cost.ravel()
grads={'dw':dw,'db':db}
return (grads,cost)
优化器
def optimizer(x,y,w,b,num_iterations,learning_rate,print_cost=False):
costs=[]
for i in range(num_iterations):
grads,cost=propagate(x,y,w,b)
dw=grads['dw']
db=grads['db']
w=w-learning_rate*dw
b=b-learning_rate*db
if i%100==0:
costs.append(cost)
if print_cost and i%100==0:
print("迭代的次数: %i ， 误差值： %f" % (i,cost))
params = {"w" : w,"b" : b }
return (params , costs)
预测函数
def predict(x,w,b):
# m = X.shape[1] #图片的数量
# Y_prediction = np.zeros((1,m))
# w = w.reshape(X.shape[0],1)
# #计预测猫在图片中出现的概率
# A = sigmoid(np.dot(w.T , X) + b)
# for i in range(A.shape[1]):
# #将概率a [0，i]转换为实际预测p [0，i]
# Y_prediction[0,i] = 1 if A[0,i] > 0.5 else 0
A=sigmoid(np.dot(w.T,x)+b)
return A.ravel()
整合代码
def model(x_train,x_test,y_train,y_test,num_iterations,learning_rate,print_cost=False):
m=x_train.shape[0]
w,b=init_(m)
params,costs=optimizer(x_train,y_train,w,b,num_iterations=num_iterations,learning_rate=learning_rate,print_cost=print_cost)
w=params['w']
b=params['b']
y_pred_train=predict(x_train,w,b)
y_pred_test=predict(x_test,w,b)
print("训练集准确性：{}".format(mean_squared_error(y_train.ravel(),y_pred_train)))
print("测试集准确性：{}".format(mean_squared_error(y_test.ravel(),y_pred_test)))
return y_pred_train,y_pred_test
x=np.random.randint(0,1,size=(1000,5))
y=np.random.rand(1000)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=0)
x_train=x_train.reshape(5,-1)
x_test=x_test.reshape(5,-1)
y_train=y_train.reshape(1,-1)
y_test=y_test.reshape(1,-1)
print(x_train.shape)
print(x_test.shape)
print(y_train.shape)
print(y_test.shape)
(5, 800)
(5, 200)
(1, 800)
(1, 200)
y_pred_train,y_pred_test=model(x_train,x_test,y_train,y_test,num_iterations=20000,learning_rate=0.005,print_cost=True)
迭代的次数: 0 ， 误差值： 0.693147
迭代的次数: 100 ， 误差值： 0.693143
迭代的次数: 200 ， 误差值： 0.693139
迭代的次数: 300 ， 误差值： 0.693136
迭代的次数: 400 ， 误差值： 0.693134
迭代的次数: 500 ， 误差值： 0.693132
迭代的次数: 600 ， 误差值： 0.693131
迭代的次数: 700 ， 误差值： 0.693130
迭代的次数: 800 ， 误差值： 0.693129
迭代的次数: 900 ， 误差值： 0.693128
迭代的次数: 1000 ， 误差值： 0.693128
迭代的次数: 1100 ， 误差值： 0.693127
迭代的次数: 1200 ， 误差值： 0.693127
迭代的次数: 1300 ， 误差值： 0.693127
迭代的次数: 1400 ， 误差值： 0.693127
迭代的次数: 1500 ， 误差值： 0.693127
迭代的次数: 1600 ， 误差值： 0.693126
迭代的次数: 1700 ， 误差值： 0.693126
迭代的次数: 1800 ， 误差值： 0.693126
迭代的次数: 1900 ， 误差值： 0.693126
迭代的次数: 2000 ， 误差值： 0.693126
迭代的次数: 2100 ， 误差值： 0.693126
迭代的次数: 2200 ， 误差值： 0.693126
迭代的次数: 2300 ， 误差值： 0.693126
迭代的次数: 2400 ， 误差值： 0.693126
迭代的次数: 2500 ， 误差值： 0.693126
迭代的次数: 2600 ， 误差值： 0.693126
迭代的次数: 2700 ， 误差值： 0.693126
迭代的次数: 2800 ， 误差值： 0.693126
迭代的次数: 2900 ， 误差值： 0.693126
迭代的次数: 3000 ， 误差值： 0.693126
迭代的次数: 3100 ， 误差值： 0.693126
迭代的次数: 3200 ， 误差值： 0.693126
迭代的次数: 3300 ， 误差值： 0.693126
迭代的次数: 3400 ， 误差值： 0.693126
迭代的次数: 3500 ， 误差值： 0.693126
迭代的次数: 3600 ， 误差值： 0.693126
迭代的次数: 3700 ， 误差值： 0.693126
迭代的次数: 3800 ， 误差值： 0.693126
迭代的次数: 3900 ， 误差值： 0.693126
迭代的次数: 4000 ， 误差值： 0.693126
迭代的次数: 4100 ， 误差值： 0.693126
迭代的次数: 4200 ， 误差值： 0.693126
迭代的次数: 4300 ， 误差值： 0.693126
迭代的次数: 4400 ， 误差值： 0.693126
迭代的次数: 4500 ， 误差值： 0.693126
迭代的次数: 4600 ， 误差值： 0.693126
迭代的次数: 4700 ， 误差值： 0.693126
迭代的次数: 4800 ， 误差值： 0.693126
迭代的次数: 4900 ， 误差值： 0.693126
迭代的次数: 5000 ， 误差值： 0.693126
迭代的次数: 5100 ， 误差值： 0.693126
迭代的次数: 5200 ， 误差值： 0.693126
迭代的次数: 5300 ， 误差值： 0.693126
迭代的次数: 5400 ， 误差值： 0.693126
迭代的次数: 5500 ， 误差值： 0.693126
迭代的次数: 5600 ， 误差值： 0.693126
迭代的次数: 5700 ， 误差值： 0.693126
迭代的次数: 5800 ， 误差值： 0.693126
迭代的次数: 5900 ， 误差值： 0.693126
迭代的次数: 6000 ， 误差值： 0.693126
迭代的次数: 6100 ， 误差值： 0.693126
迭代的次数: 6200 ， 误差值： 0.693126
迭代的次数: 6300 ， 误差值： 0.693126
迭代的次数: 6400 ， 误差值： 0.693126
迭代的次数: 6500 ， 误差值： 0.693126
迭代的次数: 6600 ， 误差值： 0.693126
迭代的次数: 6700 ， 误差值： 0.693126
迭代的次数: 6800 ， 误差值： 0.693126
迭代的次数: 6900 ， 误差值： 0.693126
迭代的次数: 7000 ， 误差值： 0.693126
迭代的次数: 7100 ， 误差值： 0.693126
迭代的次数: 7200 ， 误差值： 0.693126
迭代的次数: 7300 ， 误差值： 0.693126
迭代的次数: 7400 ， 误差值： 0.693126
迭代的次数: 7500 ， 误差值： 0.693126
迭代的次数: 7600 ， 误差值： 0.693126
迭代的次数: 7700 ， 误差值： 0.693126
迭代的次数: 7800 ， 误差值： 0.693126
迭代的次数: 7900 ， 误差值： 0.693126
迭代的次数: 8000 ， 误差值： 0.693126
迭代的次数: 8100 ， 误差值： 0.693126
迭代的次数: 8200 ， 误差值： 0.693126
迭代的次数: 8300 ， 误差值： 0.693126
迭代的次数: 8400 ， 误差值： 0.693126
迭代的次数: 8500 ， 误差值： 0.693126
迭代的次数: 8600 ， 误差值： 0.693126
迭代的次数: 8700 ， 误差值： 0.693126
迭代的次数: 8800 ， 误差值： 0.693126
迭代的次数: 8900 ， 误差值： 0.693126
迭代的次数: 9000 ， 误差值： 0.693126
迭代的次数: 9100 ， 误差值： 0.693126
迭代的次数: 9200 ， 误差值： 0.693126
迭代的次数: 9300 ， 误差值： 0.693126
迭代的次数: 9400 ， 误差值： 0.693126
迭代的次数: 9500 ， 误差值： 0.693126
迭代的次数: 9600 ， 误差值： 0.693126
迭代的次数: 9700 ， 误差值： 0.693126
迭代的次数: 9800 ， 误差值： 0.693126
迭代的次数: 9900 ， 误差值： 0.693126
迭代的次数: 10000 ， 误差值： 0.693126
迭代的次数: 10100 ， 误差值： 0.693126
迭代的次数: 10200 ， 误差值： 0.693126
迭代的次数: 10300 ， 误差值： 0.693126
迭代的次数: 10400 ， 误差值： 0.693126
迭代的次数: 10500 ， 误差值： 0.693126
迭代的次数: 10600 ， 误差值： 0.693126
迭代的次数: 10700 ， 误差值： 0.693126
迭代的次数: 10800 ， 误差值： 0.693126
迭代的次数: 10900 ， 误差值： 0.693126
迭代的次数: 11000 ， 误差值： 0.693126
迭代的次数: 11100 ， 误差值： 0.693126
迭代的次数: 11200 ， 误差值： 0.693126
迭代的次数: 11300 ， 误差值： 0.693126
迭代的次数: 11400 ， 误差值： 0.693126
迭代的次数: 11500 ， 误差值： 0.693126
迭代的次数: 11600 ， 误差值： 0.693126
迭代的次数: 11700 ， 误差值： 0.693126
迭代的次数: 11800 ， 误差值： 0.693126
迭代的次数: 11900 ， 误差值： 0.693126
迭代的次数: 12000 ， 误差值： 0.693126
迭代的次数: 12100 ， 误差值： 0.693126
迭代的次数: 12200 ， 误差值： 0.693126
迭代的次数: 12300 ， 误差值： 0.693126
迭代的次数: 12400 ， 误差值： 0.693126
迭代的次数: 12500 ， 误差值： 0.693126
迭代的次数: 12600 ， 误差值： 0.693126
迭代的次数: 12700 ， 误差值： 0.693126
迭代的次数: 12800 ， 误差值： 0.693126
迭代的次数: 12900 ， 误差值： 0.693126
迭代的次数: 13000 ， 误差值： 0.693126
迭代的次数: 13100 ， 误差值： 0.693126
迭代的次数: 13200 ， 误差值： 0.693126
迭代的次数: 13300 ， 误差值： 0.693126
迭代的次数: 13400 ， 误差值： 0.693126
迭代的次数: 13500 ， 误差值： 0.693126
迭代的次数: 13600 ， 误差值： 0.693126
迭代的次数: 13700 ， 误差值： 0.693126
迭代的次数: 13800 ， 误差值： 0.693126
迭代的次数: 13900 ， 误差值： 0.693126
迭代的次数: 14000 ， 误差值： 0.693126
迭代的次数: 14100 ， 误差值： 0.693126
迭代的次数: 14200 ， 误差值： 0.693126
迭代的次数: 14300 ， 误差值： 0.693126
迭代的次数: 14400 ， 误差值： 0.693126
迭代的次数: 14500 ， 误差值： 0.693126
迭代的次数: 14600 ， 误差值： 0.693126
迭代的次数: 14700 ， 误差值： 0.693126
迭代的次数: 14800 ， 误差值： 0.693126
迭代的次数: 14900 ， 误差值： 0.693126
迭代的次数: 15000 ， 误差值： 0.693126
迭代的次数: 15100 ， 误差值： 0.693126
迭代的次数: 15200 ， 误差值： 0.693126
迭代的次数: 15300 ， 误差值： 0.693126
迭代的次数: 15400 ， 误差值： 0.693126
迭代的次数: 15500 ， 误差值： 0.693126
迭代的次数: 15600 ， 误差值： 0.693126
迭代的次数: 15700 ， 误差值： 0.693126
迭代的次数: 15800 ， 误差值： 0.693126
迭代的次数: 15900 ， 误差值： 0.693126
迭代的次数: 16000 ， 误差值： 0.693126
迭代的次数: 16100 ， 误差值： 0.693126
迭代的次数: 16200 ， 误差值： 0.693126
迭代的次数: 16300 ， 误差值： 0.693126
迭代的次数: 16400 ， 误差值： 0.693126
迭代的次数: 16500 ， 误差值： 0.693126
迭代的次数: 16600 ， 误差值： 0.693126
迭代的次数: 16700 ， 误差值： 0.693126
迭代的次数: 16800 ， 误差值： 0.693126
迭代的次数: 16900 ， 误差值： 0.693126
迭代的次数: 17000 ， 误差值： 0.693126
迭代的次数: 17100 ， 误差值： 0.693126
迭代的次数: 17200 ， 误差值： 0.693126
迭代的次数: 17300 ， 误差值： 0.693126
迭代的次数: 17400 ， 误差值： 0.693126
迭代的次数: 17500 ， 误差值： 0.693126
迭代的次数: 17600 ， 误差值： 0.693126
迭代的次数: 17700 ， 误差值： 0.693126
迭代的次数: 17800 ， 误差值： 0.693126
迭代的次数: 17900 ， 误差值： 0.693126
迭代的次数: 18000 ， 误差值： 0.693126
迭代的次数: 18100 ， 误差值： 0.693126
迭代的次数: 18200 ， 误差值： 0.693126
迭代的次数: 18300 ， 误差值： 0.693126
迭代的次数: 18400 ， 误差值： 0.693126
迭代的次数: 18500 ， 误差值： 0.693126
迭代的次数: 18600 ， 误差值： 0.693126
迭代的次数: 18700 ， 误差值： 0.693126
迭代的次数: 18800 ， 误差值： 0.693126
迭代的次数: 18900 ， 误差值： 0.693126
迭代的次数: 19000 ， 误差值： 0.693126
迭代的次数: 19100 ， 误差值： 0.693126
迭代的次数: 19200 ， 误差值： 0.693126
迭代的次数: 19300 ， 误差值： 0.693126
迭代的次数: 19400 ， 误差值： 0.693126
迭代的次数: 19500 ， 误差值： 0.693126
迭代的次数: 19600 ， 误差值： 0.693126
迭代的次数: 19700 ， 误差值： 0.693126
迭代的次数: 19800 ， 误差值： 0.693126
迭代的次数: 19900 ， 误差值： 0.693126
训练集准确性：0.08720114488576995
测试集准确性：0.08409814522529904
list(zip(y_test.ravel(),y_pred_test))
[(0.8992453324076225, 0.4967528028231265),
(0.3851013295766984, 0.4967528028231265),
(0.40643121428573037, 0.4967528028231265),
(0.38027498582439323, 0.4967528028231265),
(0.8104738960767541, 0.4967528028231265),
(0.8390417391642768, 0.4967528028231265),
(0.4504321338140941, 0.4967528028231265),
(0.8099917499300319, 0.4967528028231265),
(0.8720498762601127, 0.4967528028231265),
(0.5658728128384852, 0.4967528028231265),
(0.3700328775726984, 0.4967528028231265),
(0.34026436667897175, 0.4967528028231265),
(0.006295123397058511, 0.4967528028231265),
(0.3977695663900206, 0.4967528028231265),
(0.7383339634174181, 0.4967528028231265),
(0.4439231672780264, 0.4967528028231265),
(0.4451882640593837, 0.4967528028231265),
(0.8869912818552514, 0.4967528028231265),
(0.8084585193009086, 0.4967528028231265),
(0.33274434942963516, 0.4967528028231265),
(0.8008415997967571, 0.4967528028231265),
(0.6635371506550262, 0.4967528028231265),
(0.7569411450918976, 0.4967528028231265),
(0.33504770920135785, 0.4967528028231265),
(0.6689781517857755, 0.4967528028231265),
(0.04465167617414101, 0.4967528028231265),
(0.3204473627055453, 0.4967528028231265),
(0.9192209900620649, 0.4967528028231265),
(0.4124009098989646, 0.4967528028231265),
(0.7210042264911242, 0.4967528028231265),
(0.1407149859966419, 0.4967528028231265),
(0.9201856780553369, 0.4967528028231265),
(0.5451902568929778, 0.4967528028231265),
(0.2050119735864867, 0.4967528028231265),
(0.8074707749762727, 0.4967528028231265),
(0.3817112825007104, 0.4967528028231265),
(0.8484474792635882, 0.4967528028231265),
(0.5709662157458889, 0.4967528028231265),
(0.9734565338018282, 0.4967528028231265),
(0.7031582513187008, 0.4967528028231265),
(0.7378397848781774, 0.4967528028231265),
(0.7352051874542106, 0.4967528028231265),
(0.9113806353796529, 0.4967528028231265),
(0.1376495028027953, 0.4967528028231265),
(0.12072861710774441, 0.4967528028231265),
(0.6364438097792455, 0.4967528028231265),
(0.3675538310095132, 0.4967528028231265),
(0.7876986074831057, 0.4967528028231265),
(0.007086962043592826, 0.4967528028231265),
(0.5388678311051747, 0.4967528028231265),
(0.9223371045507281, 0.4967528028231265),
(0.670939270156153, 0.4967528028231265),
(0.08378700001622896, 0.4967528028231265),
(0.8711701493666879, 0.4967528028231265),
(0.7193597494775847, 0.4967528028231265),
(0.2935667843156088, 0.4967528028231265),
(0.0743661543022408, 0.4967528028231265),
(0.5453865581516028, 0.4967528028231265),
(0.42464986390401616, 0.4967528028231265),
(0.5281064371440627, 0.4967528028231265),
(0.6940859167795509, 0.4967528028231265),
(0.3449499449429235, 0.4967528028231265),
(0.9677273173325993, 0.4967528028231265),
(0.835345268406359, 0.4967528028231265),
(0.9598140402276492, 0.4967528028231265),
(0.29024692546630393, 0.4967528028231265),
(0.6922452912413346, 0.4967528028231265),
(0.49604753136704627, 0.4967528028231265),
(0.04068835237238577, 0.4967528028231265),
(0.4275563749439958, 0.4967528028231265),
(0.2371207521040617, 0.4967528028231265),
(0.3888391781032067, 0.4967528028231265),
(0.9624493664896201, 0.4967528028231265),
(0.6753894414761255, 0.4967528028231265),
(0.35912448241297157, 0.4967528028231265),
(0.8117270549307672, 0.4967528028231265),
(0.5718101380245024, 0.4967528028231265),
(0.5213515437826556, 0.4967528028231265),
(0.17688578085169815, 0.4967528028231265),
(0.2635146261438338, 0.4967528028231265),
(0.47090433131240805, 0.4967528028231265),
(0.8569371036252929, 0.4967528028231265),
(0.1879867891212612, 0.4967528028231265),
(0.8308795368721635, 0.4967528028231265),
(0.021176292921080364, 0.4967528028231265),
(0.7940621924875205, 0.4967528028231265),
(0.6006211733628872, 0.4967528028231265),
(0.3602948366407722, 0.4967528028231265),
(0.9562377995191115, 0.4967528028231265),
(0.9688324442887287, 0.4967528028231265),
(0.06358483152732974, 0.4967528028231265),
(0.36958840739319376, 0.4967528028231265),
(0.5710440842225822, 0.4967528028231265),
(0.2064563088094653, 0.4967528028231265),
(0.6331916521664857, 0.4967528028231265),
(0.181538469226594, 0.4967528028231265),
(0.38822863153679044, 0.4967528028231265),
(0.24290189086894975, 0.4967528028231265),
(0.3880190154269656, 0.4967528028231265),
(0.754164465076902, 0.4967528028231265),
(0.21065352799643045, 0.4967528028231265),
(0.22417639840627035, 0.4967528028231265),
(0.7991012587068267, 0.4967528028231265),
(0.8066749263710346, 0.4967528028231265),
(0.22284805641588568, 0.4967528028231265),
(0.0796543479044417, 0.4967528028231265),
(0.012970653567507817, 0.4967528028231265),
(0.05491768286797116, 0.4967528028231265),
(0.9451455663858466, 0.4967528028231265),
(0.06797759501379963, 0.4967528028231265),
(0.9129994366328874, 0.4967528028231265),
(0.4386672017348001, 0.4967528028231265),
(0.6290999034122733, 0.4967528028231265),
(0.7071751017045296, 0.4967528028231265),
(0.49469198314994023, 0.4967528028231265),
(0.9782284497873656, 0.4967528028231265),
(0.05626503814225825, 0.4967528028231265),
(0.005250284181271714, 0.4967528028231265),
(0.47537371767789927, 0.4967528028231265),
(0.8628324779908857, 0.4967528028231265),
(0.9833608381357899, 0.4967528028231265),
(0.8886645400380584, 0.4967528028231265),
(0.548597442073758, 0.4967528028231265),
(0.2252098032405504, 0.4967528028231265),
(0.5677720788118675, 0.4967528028231265),
(0.416531229078557, 0.4967528028231265),
(0.5807393398829617, 0.4967528028231265),
(0.2420685399371334, 0.4967528028231265),
(0.9809082897623567, 0.4967528028231265),
(0.8792341879841399, 0.4967528028231265),
(0.1059673533777642, 0.4967528028231265),
(0.5874330674744691, 0.4967528028231265),
(0.3710264199429707, 0.4967528028231265),
(0.9276267103189461, 0.4967528028231265),
(0.16539149530240405, 0.4967528028231265),
(0.7410765381176483, 0.4967528028231265),
(0.5127780216500379, 0.4967528028231265),
(0.9210652906136647, 0.4967528028231265),
(0.2349164532473711, 0.4967528028231265),
(0.5132512489086719, 0.4967528028231265),
(0.19242201569613493, 0.4967528028231265),
(0.5628025050603029, 0.4967528028231265),
(0.703415515741772, 0.4967528028231265),
(0.3093896529726311, 0.4967528028231265),
(0.5446778289106736, 0.4967528028231265),
(0.21478440035778623, 0.4967528028231265),
(0.09756345630803187, 0.4967528028231265),
(0.4130960959473394, 0.4967528028231265),
(0.6444686147717626, 0.4967528028231265),
(0.40309299662668296, 0.4967528028231265),
(0.7228893421967068, 0.4967528028231265),
(0.4760541947370909, 0.4967528028231265),
(0.4597864751928845, 0.4967528028231265),
(0.5151126582798418, 0.4967528028231265),
(0.03860449677188316, 0.4967528028231265),
(0.5515927737884299, 0.4967528028231265),
(0.6617082328324644, 0.4967528028231265),
(0.38519417529735134, 0.4967528028231265),
(0.22409117941003187, 0.4967528028231265),
(0.8887702554918002, 0.4967528028231265),
(0.9003747857768065, 0.4967528028231265),
(0.8475871577173543, 0.4967528028231265),
(0.5589962061348058, 0.4967528028231265),
(0.9016539175262344, 0.4967528028231265),
(0.540790344612932, 0.4967528028231265),
(0.00036820688818683944, 0.4967528028231265),
(0.708266401680192, 0.4967528028231265),
(0.6694417753679902, 0.4967528028231265),
(0.23276483024117178, 0.4967528028231265),
(0.2656684578245426, 0.4967528028231265),
(0.20858388810466277, 0.4967528028231265),
(0.20710557405118823, 0.4967528028231265),
(0.9413074098389412, 0.4967528028231265),
(0.2906277146812124, 0.4967528028231265),
(0.9860990271366175, 0.4967528028231265),
(0.9122065567409215, 0.4967528028231265),
(0.031074052040091837, 0.4967528028231265),
(0.027627595392842874, 0.4967528028231265),
(0.5791986558992204, 0.4967528028231265),
(0.29120617663448156, 0.4967528028231265),
(0.29573556212012897, 0.4967528028231265),
(0.12853687251381418, 0.4967528028231265),
(0.16725027685813554, 0.4967528028231265),
(0.3004153138705258, 0.4967528028231265),
(0.43834864536903106, 0.4967528028231265),
(0.13723613189383632, 0.4967528028231265),
(0.41706160558002636, 0.4967528028231265),
(0.46422905611346643, 0.4967528028231265),
(0.7570089079178809, 0.4967528028231265),
(0.26956889479731505, 0.4967528028231265),
(0.8134386486132896, 0.4967528028231265),
(0.7509219974357325, 0.4967528028231265),
(0.9471870121300671, 0.4967528028231265),
(0.4166436826329841, 0.4967528028231265),
(0.6559051229739936, 0.4967528028231265),
(0.06758258490973656, 0.4967528028231265),
(0.6412709103645695, 0.4967528028231265),
(0.0181885654630346, 0.4967528028231265),
(0.4434338119210277, 0.4967528028231265),
(0.9729752434680449, 0.4967528028231265)]
