ML - множество примеров

ML - устранение неточностей и багов
ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit
ML - тесты

Configuration/GlobalAssemblyInfo.cs

@@ -15,7 +15,7 @@ internal static class RevisionClass
 	public const string Major = "3";
 	public const string Minor = "11";
 	public const string Build = "1";
-	public const string Revision = "3812";
+	public const string Revision = "3814";
 
         public const string MainVersion = Major + "." + Minor;
 	public const string FullVersion = Major + "." + Minor + "." + Build + "." + Revision;

Configuration/Version.defs

@@ -1,4 +1,4 @@
 %COREVERSION%=1
-%REVISION%=3812
+%REVISION%=3814
 %MINOR%=11
 %MAJOR%=3

InstallerSamples/MachineLearning/01_GettingStarted/01_FirstClassification_DataFrame.pas

@@ -0,0 +1,38 @@
+// Первый пример классификации.
+//
+// В этом примере:
+// 1) загружаем готовый датасет Iris;
+// 2) выделяем признаки и целевую переменную;
+// 3) делим данные на обучающую и тестовую выборки;
+// 4) обучаем логистическую регрессию;
+// 5) оцениваем точность модели.
+uses MLABC;
+
+begin
+  // Загружаем учебный датасет Iris
+  var ds := Datasets.Iris;
+
+  // Берём таблицу данных из датасета
+  var df := ds.Data;
+
+  // Преобразуем выбранные признаки в числовую матрицу
+  var X := df.ToMatrix(ds.Features);
+
+  // Кодируем названия классов в числа 0, 1, 2
+  var y := df.EncodeLabels(ds.Target);
+
+  // Делим данные на обучающую и тестовую выборки
+  var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, 0.2, 1);
+
+  // Создаём модель логистической регрессии
+  var model := new LogisticRegression;
+
+  // Обучаем модель на обучающей выборке
+  model.Fit(Xtrain, ytrain);
+
+  // Получаем предсказания для тестовой выборки
+  var pred := model.Predict(Xtest);
+
+  // Считаем долю правильных ответов
+  Println('Точность:', Metrics.Accuracy(ytest, pred):0:3);
+end.

InstallerSamples/MachineLearning/01_GettingStarted/02_FirstRegression_DataFrame.pas

@@ -0,0 +1,46 @@
+// Первый пример регрессии.
+//
+// В этом примере:
+// 1) загружаем готовый датасет с ценами на квартиры;
+// 2) выбираем признаки и целевую переменную;
+// 3) делим данные на обучающую и тестовую выборки;
+// 4) обучаем линейную регрессию;
+// 5) оцениваем качество модели по метрике R².
+uses MLABC;
+
+begin
+  // Загружаем учебный датасет с ценами на квартиры в Москве
+  var ds := Datasets.MoscowHousing;
+
+  // Берём таблицу данных из датасета
+  var df := ds.Data;
+
+  // Выбираем числовые признаки, по которым будем предсказывать цену
+  var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes'];
+
+  // Целевая переменная - цена квартиры
+  var target := 'price';
+
+  // Преобразуем выбранные признаки в числовую матрицу
+  var X := df.ToMatrix(features);
+
+  // Преобразуем целевую переменную в числовой вектор
+  var y := df.ToVector(target);
+
+  // Делим данные на обучающую и тестовую выборки
+  var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, 0.2, 42);
+
+  // Создаём модель линейной регрессии
+  var model := new LinearRegression;
+
+  // Обучаем модель на обучающей выборке
+  model.Fit(Xtrain, ytrain);
+
+  // Получаем предсказания для тестовой выборки
+  var pred := model.Predict(Xtest);
+
+  // Считаем, насколько хорошо модель объясняет данные.
+  // Для простой линейной модели R² около 0.6 и выше здесь уже неплохой результат,
+  // но более сложные модели могут работать точнее.
+  Println('R²:', Metrics.R2(ytest, pred):0:3);
+end.

InstallerSamples/MachineLearning/01_GettingStarted/03_FirstClustering_DataFrame.pas

@@ -0,0 +1,84 @@
+// Первый пример кластеризации.
+//
+// В этом примере:
+// 1) загружаем готовый датасет городов России;
+// 2) выбираем признаки для кластеризации;
+// 3) обучаем алгоритм KMeans;
+// 4) получаем номер кластера для каждого города;
+// 5) выводим несколько представителей каждого кластера.
+//
+// Важно:
+// здесь кластеры отражают прежде всего географическую близость городов,
+// потому что для кластеризации используются только широта и долгота.
+// Население нужно только для выбора самых заметных представителей кластера.
+//
+// При числе кластеров k = 4 результат можно интерпретировать так:
+// • один кластер обычно соответствует Европейской части России;
+// • один - Уралу, Поволжью и соседним территориям;
+// • один - Сибири;
+// • один - Дальнему Востоку и северо-востоку.
+uses MLABC;
+
+begin
+  // Загружаем учебный датасет с городами России
+  var ds := Datasets.RussianCities;
+
+  // Берём таблицу данных из датасета
+  var df := ds.Data;
+
+  // Для первого примера используем только координаты города
+  var features := ['lat', 'lon'];
+
+  // Преобразуем выбранные признаки в числовую матрицу
+  var X := df.ToMatrix(features);
+
+  // Создаём модель KMeans и просим разбить города на 4 группы.
+  // Для первого примера этого достаточно, чтобы увидеть общую структуру данных.
+  var model := new KMeans(4, seed := 42);
+
+  // Обучаем модель на всех объектах
+  model.Fit(X);
+
+  // Получаем номер кластера для каждого города
+  var labels := model.PredictLabels(X);
+  
+  // Получаем названия городов
+  var cities := df.GetStrColumn('city');
+  
+  // Получаем численность населения городов
+  var populations := df.GetFloatColumn('population');
+
+  // Выводим, сколько кластеров нашёл алгоритм
+  Println($'Число кластеров: {model.ClustersCount}');
+
+  Println;
+  Println('Примеры городов в каждом кластере (в скобках - тыс. жителей):');
+
+  // Для каждого кластера выводим три самых крупных города
+  for var cluster := 0 to model.ClustersCount - 1 do
+  begin
+    Println;
+    Println($'Кластер {cluster + 1}:');
+    
+    var clusterIndices := new List<integer>;
+    
+    for var i := 0 to labels.Length - 1 do
+      if labels[i] = cluster then
+        clusterIndices.Add(i);
+    
+    clusterIndices := clusterIndices
+      .OrderByDescending(i -> populations[i])
+      .ToList;
+    
+    var shown := 0;
+    
+    foreach var i in clusterIndices do
+    begin
+      Println($'  {cities[i]} ({populations[i]:F0})');
+      shown += 1;
+      
+      if shown = 4 then
+        break;
+    end;
+  end;
+end.

InstallerSamples/MachineLearning/01_GettingStarted/04_FirstPipeline_DataFrame.pas

@@ -0,0 +1,59 @@
+// Первый пример работы с pipeline.
+//
+// В этом примере:
+// 1) загружаем готовый датасет Iris;
+// 2) делим данные на обучающую и тестовую выборки;
+// 3) собираем pipeline из масштабирования и модели;
+// 4) обучаем pipeline;
+// 5) оцениваем точность и смотрим вероятности классов.
+//
+// Pipeline удобен тем, что он сам выполняет все шаги по порядку:
+// подготовку признаков, обучение модели и предсказание.
+uses MLABC;
+
+begin
+  // Загружаем учебный датасет Iris
+  var ds := Datasets.Iris;
+
+  // Берём таблицу данных из датасета
+  var df := ds.Data;
+
+  // Делим данные на обучающую и тестовую выборки
+  var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 3);
+
+  // Создаём pipeline:
+  // сначала масштабируем признаки,
+  // затем обучаем логистическую регрессию
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      ds.Features,
+      new StandardScaler,
+      new LogisticRegression
+    );
+
+  // Обучаем весь pipeline на обучающей выборке
+  pipe.Fit(trainDf);
+
+  // Получаем предсказанные классы для тестовой выборки
+  var pred := pipe.Predict(testDf);
+
+  // Получаем правильные метки классов в кодировке pipeline
+  var y := pipe.GetEncodedLabels(testDf);
+
+  // Считаем долю правильных ответов
+  Println($'Точность: {Metrics.Accuracy(y, pred):F3}');
+
+  // Получаем вероятности классов для объектов тестовой выборки
+  var proba := pipe.PredictProba(testDf);
+
+  // Получаем названия классов в правильном порядке
+  var classes := pipe.GetClassLabels;
+
+  Println($'Классы: {classes.JoinToString('', '')}');
+  Println('Вероятности для первого объекта:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println($'{classes[j]}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/02_DataFrame/df19.pas

@@ -12,5 +12,5 @@ begin
   Kat,21,NA
   ''');
   
-  df.PrintPreview(3);
+  df.Print;
 end.

InstallerSamples/MachineLearning/02_DataFrame/df20.pas

@@ -17,5 +17,5 @@ begin
   .SortBy('age', descending := True)
   .GroupBy('age')
   .Mean('score')
-  .PrintPreview(3);
+  .Print;
 end.

InstallerSamples/MachineLearning/02_DataFrame/df21.pas

@@ -14,5 +14,5 @@ begin
   
   df.Filter(r -> r.IsValid('score'))
     .SortBy(['age','score'],[True,True])
-    .Println;
+    .Print;
 end.

InstallerSamples/MachineLearning/03_Preprocessing/01_StandardScaler.pas

@@ -0,0 +1,31 @@
+// StandardScaler приводит признаки к сопоставимому масштабу:
+// после преобразования у каждого столбца среднее близко к 0,
+// а стандартное отклонение - к 1.
+uses MLABC;
+
+begin
+  var X := new Matrix(5, 2);
+
+  // Первый признак имеет маленький масштаб и неравномерный шаг
+  X[0,0] := 1;  X[1,0] := 2;  X[2,0] := 3;  X[3,0] := 10;  X[4,0] := 20;
+
+  // Второй признак имеет гораздо больший масштаб
+  X[0,1] := 100;  X[1,1] := 120;  X[2,1] := 150;  X[3,1] := 300;  X[4,1] := 500;
+
+  Println('До масштабирования:');
+  Println($'Средние: {X.ColumnMeans[0]:F3}, {X.ColumnMeans[1]:F3}');
+  Println($'Стандартные отклонения: {X.ColumnStd(0):F3}, {X.ColumnStd(1):F3}');
+  Println;
+
+  var scaler := new StandardScaler;
+  scaler.Fit(X);
+
+  var Xscaled := scaler.Transform(X);
+
+  Println('После StandardScaler:');
+  Println($'Средние: {Xscaled.ColumnMeans[0]:F3}, {Xscaled.ColumnMeans[1]:F3}');
+  Println($'Стандартные отклонения: {Xscaled.ColumnStd(0):F3}, {Xscaled.ColumnStd(1):F3}');
+  Println;
+  Println('Преобразованные значения:');
+  Xscaled.Print;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/02_MinMaxScaler.pas

@@ -0,0 +1,32 @@
+// MinMaxScaler переводит значения каждого признака в диапазон [0, 1].
+//
+// Это полезно, когда важно сохранить относительный порядок значений,
+// но привести признаки к единому диапазону.
+uses MLABC;
+
+begin
+  var X := new Matrix(5, 2);
+
+  // Первый признак имеет маленький масштаб и неравномерный шаг
+  X[0,0] := 1;  X[1,0] := 2;  X[2,0] := 3;  X[3,0] := 10;  X[4,0] := 20;
+
+  // Второй признак имеет гораздо больший масштаб
+  X[0,1] := 100;  X[1,1] := 120;  X[2,1] := 150;  X[3,1] := 300;  X[4,1] := 500;
+
+  Println('До масштабирования:');
+  Println($'Минимумы: {X.ColumnMin(0):F3}, {X.ColumnMin(1):F3}');
+  Println($'Максимумы: {X.ColumnMax(0):F3}, {X.ColumnMax(1):F3}');
+  Println;
+
+  var scaler := new MinMaxScaler;
+  scaler.Fit(X);
+
+  var Xscaled := scaler.Transform(X);
+
+  Println('После MinMaxScaler:');
+  Println($'Минимумы: {Xscaled.ColumnMin(0):F3}, {Xscaled.ColumnMin(1):F3}');
+  Println($'Максимумы: {Xscaled.ColumnMax(0):F3}, {Xscaled.ColumnMax(1):F3}');
+  Println;
+  Println('Преобразованные значения:');
+  Xscaled.Print;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/03_Imputer_LabelEncoder.pas

@@ -0,0 +1,30 @@
+// Пример табличной предобработки:
+// сначала заполняем пропуски в числовом столбце,
+// затем кодируем категориальный столбец числами.
+uses MLABC;
+
+begin
+  var df := DataFrame.FromCsvText('''
+city,population,region
+Ростов-на-Дону,1142,Юг
+Таганрог,NA,Юг
+Воронеж,1058,Центр
+Курск,452,Центр
+Белгород,392,Центр
+''');
+
+  Println('Исходные данные:');
+  df.Print;
+  Println;
+
+  // Заполняем пропуск в числовом столбце средним значением
+  var imputer := new Imputer(['population']);
+  df := imputer.FitTransform(df);
+
+  // Кодируем названия регионов числами 0, 1, 2, ...
+  var encoder := new LabelEncoder('region');
+  df := encoder.FitTransform(df);
+
+  Println('После Imputer и LabelEncoder:');
+  df.Print;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/04_OneHotEncoder.pas

@@ -0,0 +1,24 @@
+// OneHotEncoder заменяет категориальный столбец
+// несколькими бинарными столбцами - по одному на каждую категорию.
+uses MLABC;
+
+begin
+  var df := DataFrame.FromCsvText('''
+city,region
+Ростов-на-Дону,Юг
+Таганрог,Юг
+Воронеж,Центр
+Курск,Центр
+Хабаровск,Дальний Восток
+''');
+
+  Println('Исходные данные:');
+  df.Print;
+  Println;
+
+  var encoder := new OneHotEncoder('region');
+  df := encoder.FitTransform(df);
+
+  Println('После OneHotEncoder:');
+  df.Print;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/05_Normalizer.pas

@@ -0,0 +1,22 @@
+// В этом примере показано,
+// как Normalizer нормализует строки матрицы.
+
+uses MLABC;
+
+begin
+  var X := new Matrix(3, 2);
+  X[0, 0] := 3;  X[0, 1] := 4;
+  X[1, 0] := 1;  X[1, 1] := 2;
+  X[2, 0] := 5;  X[2, 1] := 12;
+
+  Println('До Normalizer:');
+  X.Println;
+  Println;
+
+  var norm := new Normalizer(NormType.L2);
+  norm.Fit(X);
+  var Xn := norm.Transform(X);
+
+  Println('После Normalizer:');
+  Xn.Println;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/06_PCA.pas

@@ -0,0 +1,24 @@
+// В этом примере PCA уменьшает число признаков
+// с двух до одного.
+
+uses MLABC;
+
+begin
+  var X := new Matrix(5, 2);
+  X[0, 0] := 1; X[0, 1] := 2;
+  X[1, 0] := 2; X[1, 1] := 4;
+  X[2, 0] := 3; X[2, 1] := 6;
+  X[3, 0] := 4; X[3, 1] := 8;
+  X[4, 0] := 5; X[4, 1] := 10;
+
+  Println('Размер до PCA: ', X.RowCount, 'x', X.ColCount);
+
+  var pca := new PCATransformer(1);
+  pca.Fit(X);
+  var X1 := pca.Transform(X);
+
+  Println('Размер после PCA: ', X1.RowCount, 'x', X1.ColCount);
+  Println;
+  Println('Преобразованные данные:');
+  X1.Println;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/07_VarianceThreshold.pas

@@ -0,0 +1,23 @@
+// В этом примере VarianceThreshold удаляет признак,
+// у которого нет разброса значений.
+
+uses MLABC;
+
+begin
+  var X := new Matrix(4, 3);
+  X[0, 0] := 1; X[0, 1] := 10; X[0, 2] := 5;
+  X[1, 0] := 2; X[1, 1] := 10; X[1, 2] := 6;
+  X[2, 0] := 3; X[2, 1] := 10; X[2, 2] := 7;
+  X[3, 0] := 4; X[3, 1] := 10; X[3, 2] := 8;
+
+  Println('Размер до VarianceThreshold: ', X.RowCount, 'x', X.ColCount);
+
+  var vt := new VarianceThreshold(0.001);
+  vt.Fit(X);
+  var X2 := vt.Transform(X);
+
+  Println('Размер после VarianceThreshold: ', X2.RowCount, 'x', X2.ColCount);
+  Println;
+  Println('Преобразованные данные:');
+  X2.Println;
+end.

InstallerSamples/MachineLearning/03_Preprocessing/08_SelectKBest.pas

@@ -0,0 +1,55 @@
+// В этом примере SelectKBest оставляет
+// только два самых полезных признака
+// и показывает, как это влияет на качество модели.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeClassification(
+    n := 200,
+    nFeatures := 6,
+    nInformative := 2,
+    nRedundant := 0,
+    noise := 0.1,
+    classSep := 1.2,
+    seed := 42
+  );
+
+  var featureNames := ['f1', 'f2', 'f3', 'f4', 'f5', 'f6'];
+
+  Println('Размер до SelectKBest: ', X.RowCount, 'x', X.ColCount);
+
+  var skb := new SelectKBest(2, FeatureScore.Correlation);
+  skb.Fit(X, y);
+  var X2 := skb.Transform(X);
+
+  Println('Размер после SelectKBest: ', X2.RowCount, 'x', X2.ColCount);
+  Println;
+  Println('Отобранные признаки:');
+
+  var selected := skb.SelectedFeatures;
+  for var i := 0 to selected.Length - 1 do
+    Println('  ', featureNames[selected[i]]);
+
+  Println;
+
+  var fullScore := Validation.StratifiedCrossValidate(
+    new LogisticRegression(learningRate := 0.05, epochs := 1000),
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  var reducedScore := Validation.StratifiedCrossValidate(
+    new LogisticRegression(learningRate := 0.05, epochs := 1000),
+    X2, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  Println('Сравнение качества LogisticRegression:');
+  Println($'  Все признаки:      Accuracy = {fullScore:F3}');
+  Println($'  После SelectKBest: Accuracy = {reducedScore:F3}');
+end.

InstallerSamples/MachineLearning/03_Preprocessing/09_PreprocessingChain.pas

@@ -0,0 +1,30 @@
+// В этом примере показана ручная цепочка предобработки таблицы.
+//
+// Сначала заполняем пропуск в числовом столбце,
+// затем превращаем категориальный столбец в набор бинарных признаков.
+
+uses MLABC;
+
+begin
+  var df := DataFrame.FromCsvText('''
+city,population,region
+Ростов-на-Дону,1142,Юг
+Таганрог,NA,Юг
+Воронеж,1058,Центр
+Курск,452,Центр
+Хабаровск,616,Дальний Восток
+''');
+
+  Println('Исходные данные:');
+  df.Print;
+  Println;
+
+  var imputer := new Imputer(['population']);
+  df := imputer.FitTransform(df);
+
+  var encoder := new OneHotEncoder('region');
+  df := encoder.FitTransform(df);
+
+  Println('После цепочки Imputer -> OneHotEncoder:');
+  df.Print;
+end.

InstallerSamples/MachineLearning/04_Models/02_ClassificationBasic.pas

@@ -0,0 +1,31 @@
+// Базовый пример логистической регрессии на датасете Iris.
+//
+// Iris - удобный учебный датасет для первого знакомства с классификацией:
+// классы в нём разделяются достаточно хорошо, поэтому простая линейная модель
+// уже даёт высокую точность.
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  var X := df.ToMatrix(ds.Features);
+  var y := df.EncodeLabels(ds.Target);
+
+  var (Xtrain, Xtest, ytrain, ytest) :=
+    Validation.TrainTestSplit(X, y, testRatio := 0.2, seed := 1);
+
+  var model := new LogisticRegression;
+  model.Fit(Xtrain, ytrain);
+
+  var pred := model.Predict(Xtest);
+  var proba := model.PredictProba(Xtest);
+
+  Println($'Точность на тестовой выборке: {Metrics.Accuracy(ytest, pred):F3}');
+  Println;
+  Println('Вероятности для первого объекта:');
+
+  var classes := model.GetClasses;
+  for var j := 0 to classes.Length - 1 do
+    Println($'Класс {classes[j]:F0}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/03_RegressionCorrelated.pas

@@ -81,10 +81,4 @@ begin
   Println($'Linear     MSE: {Metrics.MSE(yTest, yTestLR),0:F4}');
   Println($'Ridge      MSE: {Metrics.MSE(yTest, yTestRidge),0:F4}');
   Println($'ElasticNet MSE: {Metrics.MSE(yTest, yTestEN),0:F4}');
-  
-  {Println;
-  Println('Коэффициенты (первые 10):');
-  lr.Coefficients.ToArray.Take(10).Println;
-  ridge.Coefficients.ToArray.Take(10).Println;
-  en.Coefficients.ToArray.Take(10).Println;}
 end.

InstallerSamples/MachineLearning/04_Models/11_KNN_WithScaling.pas

@@ -0,0 +1,60 @@
+// KNN чувствителен к масштабу признаков.
+//
+// В этом примере мы специально делаем часть признаков
+// очень большими по масштабу. Без StandardScaler расстояние
+// между объектами начинает определяться в основном этими
+// признаками, и качество KNN ухудшается.
+//
+// После масштабирования все признаки снова становятся
+// сопоставимыми, и модель работает лучше.
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeClassification(
+    n := 500,
+    nFeatures := 4,
+    nInformative := 2,
+    nRedundant := 0,
+    noise := 0.15,
+    classSep := 2.2,
+    flipProb := 0.02,
+    classBalance := 0.5,
+    shuffle := True,
+    seed := 42
+  );
+
+  // Искусственно увеличиваем масштаб двух последних признаков.
+  // Они начинают слишком сильно влиять на расстояние в KNN.
+  for var i := 0 to X.RowCount - 1 do
+  begin
+    X[i, 2] *= 1000;
+    X[i, 3] *= 1000;
+  end;
+
+  var (Xtrain, Xtest, ytrain, ytest) :=
+    Validation.TrainTestSplit(X, y, testRatio := 0.25, seed := 42);
+
+  // --- KNN без масштабирования
+  var knnRaw := new KNNClassifier(7);
+  knnRaw.Fit(Xtrain, ytrain);
+
+  var predRaw := knnRaw.Predict(Xtest);
+  var accRaw := Metrics.Accuracy(ytest, predRaw);
+
+  // --- Масштабируем признаки
+  var scaler := new StandardScaler;
+  scaler.Fit(Xtrain);
+
+  var XtrainScaled := scaler.Transform(Xtrain);
+  var XtestScaled := scaler.Transform(Xtest);
+
+  // --- KNN после масштабирования
+  var knnScaled := new KNNClassifier(7);
+  knnScaled.Fit(XtrainScaled, ytrain);
+
+  var predScaled := knnScaled.Predict(XtestScaled);
+  var accScaled := Metrics.Accuracy(ytest, predScaled);
+
+  Println($'Точность KNN без масштабирования: {accRaw:F3}');
+  Println($'Точность KNN после StandardScaler: {accScaled:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/12_KNNRegression.pas

@@ -0,0 +1,51 @@
+// В этом примере сравниваются две регрессионные модели:
+// линейная регрессия и KNNRegressor.
+//
+// Данные специально сделаны нелинейными. Для такой задачи
+// LinearRegression обычно слишком проста, а KNNRegressor
+// может лучше учитывать локальную форму зависимости.
+//
+// Если R² отрицателен, это означает, что модель работает
+// даже хуже, чем очень простой прогноз по среднему значению.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 300,
+    nFeatures := 2,
+    nInformative := 2,
+    noise := 0.15,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 4.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
+    X, y, testRatio := 0.3, seed := 42
+  );
+
+  var linear := new LinearRegression;
+  linear.Fit(XTrain, yTrain);
+
+  var knn := new KNNRegressor(7, KNNWeighting.Distance);
+  knn.Fit(XTrain, yTrain);
+
+  var yPredLinear := linear.Predict(XTest);
+  var yPredKNN := knn.Predict(XTest);
+
+  var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
+  var r2KNN := RegressionMetrics.R2(yTest, yPredKNN);
+
+  Println('Сравнение моделей на нелинейной зависимости');
+  Println;
+  Println($'Линейная регрессия: R² = {r2Linear:F3}');
+  Println($'KNN-регрессия:      R² = {r2KNN:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Линейная регрессия здесь слишком проста для задачи.');
+  Println('- Отрицательный R² означает, что её прогноз хуже среднего значения.');
+  Println('- KNN-регрессия лучше описывает локальную нелинейную зависимость.');
+end.

InstallerSamples/MachineLearning/04_Models/13_DecisionTreeRegression.pas

@@ -0,0 +1,50 @@
+// В этом примере сравниваются две модели на нелинейной задаче:
+// линейная регрессия и дерево решений для регрессии.
+//
+// Линейная модель умеет строить только одну общую прямую зависимость.
+// Дерево решений разбивает пространство признаков на области
+// и в каждой области даёт свой локальный прогноз.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 300,
+    nFeatures := 2,
+    nInformative := 2,
+    noise := 0.15,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 4.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
+    X, y, testRatio := 0.3, seed := 42
+  );
+
+  var linear := new LinearRegression;
+  linear.Fit(XTrain, yTrain);
+
+  // При minSamplesLeaf = 5 узел должен содержать хотя бы 10 объектов,
+  // чтобы его можно было разделить на два листа не меньше чем по 5 объектов.
+  var tree := new DecisionTreeRegressor(maxDepth := 6, minSamplesSplit := 10, minSamplesLeaf := 5);
+  tree.Fit(XTrain, yTrain);
+
+  var yPredLinear := linear.Predict(XTest);
+  var yPredTree := tree.Predict(XTest);
+
+  var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
+  var r2Tree := RegressionMetrics.R2(yTest, yPredTree);
+
+  Println('Сравнение моделей на нелинейной зависимости');
+  Println;
+  Println($'Линейная регрессия: R² = {r2Linear:F3}');
+  Println($'Дерево решений:     R² = {r2Tree:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Линейная регрессия пытается описать всю зависимость одной формулой.');
+  Println('- Дерево решений умеет подстраиваться под разные участки данных.');
+  Println('- Поэтому на нелинейной задаче дерево обычно работает лучше.');
+end.

InstallerSamples/MachineLearning/04_Models/14_RandomForestRegression.pas

@@ -0,0 +1,65 @@
+// В этом примере сравниваются три модели на нелинейной задаче:
+// линейная регрессия, дерево решений и случайный лес.
+//
+// Случайный лес усредняет предсказания многих деревьев.
+// Благодаря этому он обычно работает устойчивее и точнее,
+// чем одно дерево решений, особенно если в данных есть шум
+// и лишние признаки.
+//
+// В этой задаче для леса используется режим AllFeatures.
+// Для регрессии это часто даёт более сильный результат,
+// чем случайный выбор только части признаков в каждом узле.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 300,
+    nFeatures := 8,
+    nInformative := 2,
+    noise := 0.35,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 4.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
+    X, y, testRatio := 0.3, seed := 42
+  );
+
+  var linear := new LinearRegression;
+  linear.Fit(XTrain, yTrain);
+
+  var tree := new DecisionTreeRegressor(maxDepth := 8, minSamplesSplit := 10, minSamplesLeaf := 5);
+  tree.Fit(XTrain, yTrain);
+
+  var forest := new RandomForestRegressor(
+    nTrees := 150,
+    maxDepth := 8,
+    minSamplesSplit := 10,
+    minSamplesLeaf := 5,
+    maxFeaturesMode := TMaxFeaturesMode.AllFeatures
+  );
+  forest.Fit(XTrain, yTrain);
+
+  var yPredLinear := linear.Predict(XTest);
+  var yPredTree := tree.Predict(XTest);
+  var yPredForest := forest.Predict(XTest);
+
+  var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
+  var r2Tree := RegressionMetrics.R2(yTest, yPredTree);
+  var r2Forest := RegressionMetrics.R2(yTest, yPredForest);
+
+  Println('Сравнение моделей на нелинейной зависимости');
+  Println;
+  Println($'Линейная регрессия: R² = {r2Linear:F3}');
+  Println($'Дерево решений:     R² = {r2Tree:F3}');
+  Println($'Случайный лес:      R² = {r2Forest:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Линейная модель плохо подходит для сложной нелинейной зависимости.');
+  Println('- Одно дерево решений уже может уловить форму данных.');
+  Println('- Случайный лес усредняет много деревьев и обычно даёт более устойчивый прогноз.');
+end.

InstallerSamples/MachineLearning/04_Models/15_GradientBoostingRegression.pas

@@ -0,0 +1,62 @@
+// В этом примере сравниваются три модели на нелинейной задаче:
+// линейная регрессия, дерево решений и градиентный бустинг.
+//
+// Градиентный бустинг строит много небольших деревьев последовательно.
+// Каждое следующее дерево старается исправить ошибки предыдущих,
+// поэтому на сложных зависимостях такая модель часто работает очень хорошо.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 300,
+    nFeatures := 8,
+    nInformative := 2,
+    noise := 0.35,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 4.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(
+    X, y, testRatio := 0.3, seed := 42
+  );
+
+  var linear := new LinearRegression;
+  linear.Fit(XTrain, yTrain);
+
+  var tree := new DecisionTreeRegressor(maxDepth := 6, minSamplesSplit := 10, minSamplesLeaf := 5);
+  tree.Fit(XTrain, yTrain);
+
+  var boosting := new GradientBoostingRegressor(
+    nEstimators := 120,
+    learningRate := 0.1,
+    maxDepth := 3,
+    minSamplesSplit := 10,
+    minSamplesLeaf := 5,
+    subsample := 1.0,
+    seed := 42
+  );
+  boosting.Fit(XTrain, yTrain);
+
+  var yPredLinear := linear.Predict(XTest);
+  var yPredTree := tree.Predict(XTest);
+  var yPredBoosting := boosting.Predict(XTest);
+
+  var r2Linear := RegressionMetrics.R2(yTest, yPredLinear);
+  var r2Tree := RegressionMetrics.R2(yTest, yPredTree);
+  var r2Boosting := RegressionMetrics.R2(yTest, yPredBoosting);
+
+  Println('Сравнение моделей на нелинейной зависимости');
+  Println;
+  Println($'Линейная регрессия:   R² = {r2Linear:F3}');
+  Println($'Дерево решений:       R² = {r2Tree:F3}');
+  Println($'Градиентный бустинг:  R² = {r2Boosting:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Линейная модель плохо подходит для сложной нелинейной зависимости.');
+  Println('- Одно дерево решений уже может уловить форму данных.');
+  Println('- Градиентный бустинг последовательно исправляет ошибки и часто даёт самый точный прогноз.');
+end.

InstallerSamples/MachineLearning/04_Models/16_RandomForestClassification.pas

@@ -0,0 +1,49 @@
+// В этом примере сравниваются две модели на нелинейной задаче классификации:
+// LogisticRegression и RandomForestClassifier.
+//
+// Логистическая регрессия строит линейную границу между классами.
+// Поэтому на вложенных окружностях она принципиально ограничена.
+//
+// Случайный лес умеет учитывать более сложную структуру данных
+// и обычно лучше справляется с нелинейной геометрией.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeCircles(
+    n := 450,
+    noise := 0.18,
+    factor := 0.5,
+    classBalance := 0.5,
+    flipProb := 0.04,
+    scale := 3.0,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
+
+  var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
+  logreg.Fit(XTrain, yTrain);
+  var logregPred := logreg.Predict(XTest);
+  var logregAcc := ClassificationMetrics.Accuracy(yTest, logregPred);
+
+  var forest := new RandomForestClassifier(
+    nTrees := 150,
+    maxDepth := 8,
+    minSamplesSplit := 6,
+    minSamplesLeaf := 3,
+    seed := 42
+  );
+  forest.Fit(XTrain, yTrain);
+  var forestPred := forest.Predict(XTest);
+  var forestAcc := ClassificationMetrics.Accuracy(yTest, forestPred);
+
+  Println('Сравнение моделей на нелинейной задаче классификации');
+  Println;
+  Println($'Логистическая регрессия:  Accuracy = {logregAcc:F3}');
+  Println($'Случайный лес:            Accuracy = {forestAcc:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Логистическая регрессия строит только линейную границу.');
+  Println('- Случайный лес лучше улавливает нелинейную форму классов.');
+end.

InstallerSamples/MachineLearning/04_Models/17_GradientBoostingClassification.pas

@@ -0,0 +1,44 @@
+// В этом примере сравниваются две модели на нелинейной задаче классификации:
+// LogisticRegression и GradientBoostingClassifier.
+//
+// Логистическая регрессия строит линейную границу между классами.
+// Градиентный бустинг последовательно улучшает ансамбль деревьев
+// и хорошо справляется со сложной формой границы.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 450,
+    noise := 0.20,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
+
+  var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
+  logreg.Fit(XTrain, yTrain);
+  var logregPred := logreg.Predict(XTest);
+  var logregAcc := ClassificationMetrics.Accuracy(yTest, logregPred);
+
+  var gb := new GradientBoostingClassifier(
+    nEstimators := 120,
+    learningRate := 0.1,
+    maxDepth := 3,
+    minSamplesSplit := 6,
+    minSamplesLeaf := 3,
+    seed := 42
+  );
+  gb.Fit(XTrain, yTrain);
+  var gbPred := gb.Predict(XTest);
+  var gbAcc := ClassificationMetrics.Accuracy(yTest, gbPred);
+
+  Println('Сравнение моделей на нелинейной задаче классификации');
+  Println;
+  Println($'Логистическая регрессия:   Accuracy = {logregAcc:F3}');
+  Println($'Градиентный бустинг:       Accuracy = {gbAcc:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Логистическая регрессия строит только линейную границу.');
+  Println('- Градиентный бустинг лучше улавливает сложную форму классов.');
+end.

InstallerSamples/MachineLearning/04_Models/18_DecisionTreeClassification.pas

@@ -0,0 +1,32 @@
+// В этом примере сравниваются две модели на нелинейной задаче классификации:
+// LogisticRegression и DecisionTreeClassifier.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 450,
+    noise := 0.20,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
+
+  var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
+  logreg.Fit(XTrain, yTrain);
+  var logregAcc := ClassificationMetrics.Accuracy(yTest, logreg.Predict(XTest));
+
+  var tree := new DecisionTreeClassifier(
+    maxDepth := 5,
+    minSamplesSplit := 6,
+    minSamplesLeaf := 3,
+    seed := 42
+  );
+  tree.Fit(XTrain, yTrain);
+  var treeAcc := ClassificationMetrics.Accuracy(yTest, tree.Predict(XTest));
+
+  Println('Сравнение моделей на нелинейной задаче классификации');
+  Println;
+  Println($'Логистическая регрессия:  Accuracy = {logregAcc:F3}');
+  Println($'Дерево решений:          Accuracy = {treeAcc:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/19_KNNClassification.pas

@@ -0,0 +1,27 @@
+// В этом примере сравниваются две модели на нелинейной задаче классификации:
+// LogisticRegression и KNNClassifier.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 450,
+    noise := 0.20,
+    seed := 42
+  );
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
+
+  var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
+  logreg.Fit(XTrain, yTrain);
+  var logregAcc := ClassificationMetrics.Accuracy(yTest, logreg.Predict(XTest));
+
+  var knn := new KNNClassifier(7, KNNWeighting.Distance);
+  knn.Fit(XTrain, yTrain);
+  var knnAcc := ClassificationMetrics.Accuracy(yTest, knn.Predict(XTest));
+
+  Println('Сравнение моделей на нелинейной задаче классификации');
+  Println;
+  Println($'Логистическая регрессия:  Accuracy = {logregAcc:F3}');
+  Println($'KNNClassifier:            Accuracy = {knnAcc:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/20_LogisticRegression_Probabilities.pas

@@ -0,0 +1,36 @@
+// В этом примере LogisticRegression возвращает не только класс,
+// но и вероятности принадлежности к каждому классу.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      ds.Features,
+      new StandardScaler,
+      new LogisticRegression(learningRate := 0.01, epochs := 2000)
+    );
+
+  pipe.Fit(trainDs.Data);
+
+  var pred := pipe.Predict(testDs.Data);
+  var yTest := pipe.GetEncodedLabels(testDs.Data);
+  var acc := ClassificationMetrics.Accuracy(yTest, pred);
+
+  var proba := pipe.PredictProba(testDs.Data);
+  var classes := pipe.GetClassLabels;
+
+  Println('Логистическая регрессия с вероятностями классов');
+  Println;
+  Println($'Точность: {acc:F3}');
+  Println;
+  Println('Вероятности классов для первого объекта тестовой выборки:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println($'  {classes[j]}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/21_RandomForest_Probabilities.pas

@@ -0,0 +1,35 @@
+// В этом примере RandomForestClassifier возвращает
+// вероятности принадлежности к каждому классу.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      ds.Features,
+      new RandomForestClassifier(nTrees := 100, maxDepth := 6, seed := 42)
+    );
+
+  pipe.Fit(trainDs.Data);
+
+  var pred := pipe.Predict(testDs.Data);
+  var yTest := pipe.GetEncodedLabels(testDs.Data);
+  var acc := ClassificationMetrics.Accuracy(yTest, pred);
+
+  var proba := pipe.PredictProba(testDs.Data);
+  var classes := pipe.GetClassLabels;
+
+  Println('Случайный лес с вероятностями классов');
+  Println;
+  Println($'Точность: {acc:F3}');
+  Println;
+  Println('Вероятности классов для первого объекта тестовой выборки:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println($'  {classes[j]}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/04_Models/22_GradientBoosting_Probabilities.pas

@@ -0,0 +1,42 @@
+// В этом примере GradientBoostingClassifier возвращает
+// вероятности принадлежности к каждому классу.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      ds.Features,
+      new GradientBoostingClassifier(
+        nEstimators := 80,
+        learningRate := 0.1,
+        maxDepth := 3,
+        minSamplesSplit := 6,
+        minSamplesLeaf := 3,
+        seed := 42
+      )
+    );
+
+  pipe.Fit(trainDs.Data);
+
+  var pred := pipe.Predict(testDs.Data);
+  var yTest := pipe.GetEncodedLabels(testDs.Data);
+  var acc := ClassificationMetrics.Accuracy(yTest, pred);
+
+  var proba := pipe.PredictProba(testDs.Data);
+  var classes := pipe.GetClassLabels;
+
+  Println('Градиентный бустинг с вероятностями классов');
+  Println;
+  Println($'Точность: {acc:F3}');
+  Println;
+  Println('Вероятности классов для первого объекта тестовой выборки:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println($'  {classes[j]}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/05_Validation/01_TrainTestSplit_CrossValidate.pas

@@ -0,0 +1,47 @@
+// В этом примере одна и та же модель оценивается двумя способами:
+// 1. по одной обучающей и тестовой выборке;
+// 2. по стратифицированной k-fold кросс-валидации.
+//
+// Один train/test split даёт быструю, но более случайную оценку.
+// Кросс-валидация обычно надёжнее, потому что усредняет результат
+// по нескольким разбиениям данных.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.2, seed := 3);
+
+  var XTrain := trainDs.Data.ToMatrix(trainDs.Features);
+  var yTrain := trainDs.Data.EncodeLabels(trainDs.Target);
+
+  var XTest := testDs.Data.ToMatrix(testDs.Features);
+  var yTest := testDs.Data.EncodeLabels(testDs.Target);
+
+  var X := ds.Data.ToMatrix(ds.Features);
+  var y := ds.Data.EncodeLabels(ds.Target);
+
+  var model := new LogisticRegression;
+  model.Fit(XTrain, yTrain);
+
+  var yPred := model.Predict(XTest);
+  var testAccuracy := Metrics.Accuracy(yTest, yPred);
+
+  var cvAccuracy := Validation.StratifiedCrossValidate(
+    new LogisticRegression,
+    X, y,
+    5,
+    Metrics.Accuracy,
+    seed := 1
+  );
+
+  Println('Оценка одной и той же модели двумя способами');
+  Println;
+  Println($'Точность на стратифицированной тестовой выборке:  {testAccuracy:F3}');
+  Println($'Средняя точность по кросс-валидации:    {cvAccuracy:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Одна тестовая выборка даёт быстрый, но более случайный результат.');
+  Println('- Кросс-валидация усредняет качество по нескольким разбиениям.');
+  Println('- Поэтому её часто используют для более надёжной оценки модели.');
+end.

InstallerSamples/MachineLearning/05_Validation/02_CrossValidate_Regression.pas

@@ -0,0 +1,46 @@
+// В этом примере линейная регрессия оценивается двумя способами:
+// 1. по одной обучающей и тестовой выборке;
+// 2. по k-fold кросс-валидации.
+//
+// Для регрессии в качестве метрики используется R²:
+// чем ближе значение к 1, тем лучше модель объясняет данные.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.MoscowHousing;
+  var df := ds.Data;
+
+  var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes'];
+  var target := 'price';
+
+  var X := df.ToMatrix(features);
+  var y := df.ToVector(target);
+
+  var (XTrain, XTest, yTrain, yTest) :=
+    Validation.TrainTestSplit(X, y, testRatio := 0.2, seed := 1);
+
+  var model := new LinearRegression;
+  model.Fit(XTrain, yTrain);
+
+  var yPred := model.Predict(XTest);
+  var testR2 := RegressionMetrics.R2(yTest, yPred);
+
+  var cvR2 := Validation.CrossValidate(
+    new LinearRegression,
+    X, y,
+    5,
+    RegressionMetrics.R2,
+    1
+  );
+
+  Println('Оценка линейной регрессии двумя способами');
+  Println;
+  Println($'R² на тестовой выборке:              {testR2:F3}');
+  Println($'Средний R² по кросс-валидации:       {cvR2:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Одна тестовая выборка даёт быструю оценку качества.');
+  Println('- Кросс-валидация усредняет результат по нескольким разбиениям.');
+  Println('- Если значения близки, модель ведёт себя достаточно стабильно.');
+end.

InstallerSamples/MachineLearning/05_Validation/03_GridSearch_Ridge.pas

@@ -0,0 +1,81 @@
+// В этом примере подбирается параметр регуляризации для RidgeRegression.
+//
+// Используются линейные данные с сильно коррелированными признаками.
+// В такой ситуации Ridge часто работает устойчивее обычной линейной регрессии.
+//
+// Для подбора используется метрика MSE:
+// чем меньше значение, тем лучше модель.
+
+uses MLABC;
+uses System;
+
+function Normal(rnd: Random): real;
+begin
+  var u1 := rnd.NextDouble;
+  var u2 := rnd.NextDouble;
+  if u1 < 1e-12 then
+    u1 := 1e-12;
+  Result := Sqrt(-2 * Ln(u1)) * Cos(2 * Pi * u2);
+end;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 100,
+    nFeatures := 20,
+    nInformative := 3,
+    noise := 2.0,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 0.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  // Несколько признаков делаем почти копиями первого,
+  // чтобы усилить корреляцию и сделать Ridge полезным.
+  var rnd := new Random(1);
+  for var i := 0 to X.RowCount - 1 do
+  begin
+    X[i, 1] := X[i, 0] + 0.01 * Normal(rnd);
+    X[i, 2] := X[i, 0] - 0.01 * Normal(rnd);
+  end;
+
+  var lambdaValues := [0.0, 1.0, 5.0, 10.0, 20.0, 50.0, 100.0, 200.0, 500.0];
+
+  Println('Подбор параметра для RidgeRegression');
+  Println;
+  Println('Проверяемые значения lambda:');
+
+  foreach var lambda in lambdaValues do
+  begin
+    var score := Validation.CrossValidate(
+      new RidgeRegression(lambda),
+      X, y,
+      5,
+      RegressionMetrics.MSE,
+      1
+    );
+    Println($'  lambda = {lambda,6:F2}  ->  средняя MSE = {score:F3}');
+  end;
+
+  Println;
+
+  var (bestLambda, bestScore, bestModel) := GridSearch.Search(
+    lambda -> new RidgeRegression(lambda),
+    lambdaValues,
+    X, y,
+    5,
+    RegressionMetrics.MSE,
+    maximize := False,
+    stratified := False,
+    seed := 1
+  );
+
+  Println($'Лучшее значение lambda:   {bestLambda:F2}');
+  Println($'Лучшая средняя MSE:       {bestScore:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- GridSearch перебирает несколько значений параметра lambda.');
+  Println('- Для каждого значения качество оценивается по кросс-валидации.');
+  Println('- Лучшим считается параметр с наименьшей средней ошибкой MSE.');
+end.

InstallerSamples/MachineLearning/05_Validation/04_GridSearch_KNN.pas

@@ -0,0 +1,50 @@
+// В этом примере подбирается число соседей k
+// для KNNClassifier с помощью GridSearch.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 400,
+    noise := 0.18,
+    seed := 42
+  );
+
+  var scaler := new StandardScaler;
+  scaler.Fit(X);
+  X := scaler.Transform(X);
+
+  var kValues := [1, 3, 5, 7, 9, 11, 15];
+
+  Println('Подбор параметра k для KNNClassifier');
+  Println;
+  Println('Проверяемые значения k:');
+
+  foreach var k in kValues do
+  begin
+    var score := Validation.StratifiedCrossValidate(
+      new KNNClassifier(k, KNNWeighting.Distance),
+      X, y,
+      5,
+      ClassificationMetrics.Accuracy,
+      seed := 42
+    );
+
+    Println($'  k = {k,2}  ->  средняя Accuracy = {score:F3}');
+  end;
+
+  var (bestK, bestScore, bestModel) := GridSearch.Search(
+    k -> new KNNClassifier(k, KNNWeighting.Distance),
+    kValues,
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    maximize := True,
+    stratified := True,
+    seed := 42
+  );
+
+  Println;
+  Println($'Лучшее значение k:   {bestK}');
+  Println($'Лучшая средняя Accuracy:   {bestScore:F3}');
+end.

InstallerSamples/MachineLearning/05_Validation/05_GridSearch_LogisticRegression.pas

@@ -0,0 +1,56 @@
+// В этом примере подбирается коэффициент регуляризации
+// для LogisticRegression с помощью GridSearch.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeClassification(
+    n := 400,
+    nFeatures := 6,
+    nInformative := 3,
+    nRedundant := 1,
+    noise := 0.2,
+    classSep := 1.0,
+    flipProb := 0.06,
+    seed := 42
+  );
+
+  var scaler := new StandardScaler;
+  scaler.Fit(X);
+  X := scaler.Transform(X);
+
+  var lambdaValues := [0.0, 0.01, 0.1, 0.5, 1.0, 2.0, 5.0];
+
+  Println('Подбор параметра lambda для LogisticRegression');
+  Println;
+  Println('Проверяемые значения lambda:');
+
+  foreach var lambda in lambdaValues do
+  begin
+    var score := Validation.StratifiedCrossValidate(
+      new LogisticRegression(lambda := lambda, learningRate := 0.05, epochs := 1000),
+      X, y,
+      5,
+      ClassificationMetrics.Accuracy,
+      seed := 42
+    );
+
+    Println($'  lambda = {lambda,4:F2}  ->  средняя Accuracy = {score:F3}');
+  end;
+
+  Println;
+
+  var (bestLambda, bestScore, bestModel) := GridSearch.Search(
+    lambda -> new LogisticRegression(lambda := lambda, learningRate := 0.05, epochs := 1000),
+    lambdaValues,
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    maximize := True,
+    stratified := True,
+    seed := 42
+  );
+
+  Println($'Лучшее значение lambda:   {bestLambda:F2}');
+  Println($'Лучшая средняя Accuracy:  {bestScore:F3}');
+end.

InstallerSamples/MachineLearning/05_Validation/06_ModelComparison_Classification.pas

@@ -0,0 +1,52 @@
+// В этом примере сравниваются несколько моделей
+// на одной задаче классификации.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 400,
+    noise := 0.18,
+    seed := 42
+  );
+
+  Println('Сравнение моделей классификации по кросс-валидации');
+  Println;
+
+  var logregScore := Validation.StratifiedCrossValidate(
+    new LogisticRegression(learningRate := 0.05, epochs := 1000),
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  var treeScore := Validation.StratifiedCrossValidate(
+    new DecisionTreeClassifier(maxDepth := 5, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42),
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  var forestScore := Validation.StratifiedCrossValidate(
+    new RandomForestClassifier(nTrees := 100, maxDepth := 6, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42),
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  var gbScore := Validation.StratifiedCrossValidate(
+    new GradientBoostingClassifier(nEstimators := 80, learningRate := 0.1, maxDepth := 3, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42),
+    X, y,
+    5,
+    ClassificationMetrics.Accuracy,
+    seed := 42
+  );
+
+  Println($'LogisticRegression:         Accuracy = {logregScore:F3}');
+  Println($'DecisionTreeClassifier:     Accuracy = {treeScore:F3}');
+  Println($'RandomForestClassifier:     Accuracy = {forestScore:F3}');
+  Println($'GradientBoostingClassifier: Accuracy = {gbScore:F3}');
+end.

InstallerSamples/MachineLearning/05_Validation/07_ModelComparison_Regression.pas

@@ -0,0 +1,55 @@
+// В этом примере сравниваются несколько моделей
+// на одной задаче регрессии.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeRegression(
+    n := 400,
+    nFeatures := 8,
+    nInformative := 3,
+    noise := 0.35,
+    nonlinearStrength := 1.5,
+    seed := 42
+  );
+
+  Println('Сравнение моделей регрессии по кросс-валидации');
+  Println;
+
+  var linScore := Validation.CrossValidate(
+    new LinearRegression,
+    X, y,
+    5,
+    RegressionMetrics.R2,
+    seed := 42
+  );
+
+  var treeScore := Validation.CrossValidate(
+    new DecisionTreeRegressor(maxDepth := 6, minSamplesSplit := 10, minSamplesLeaf := 5, seed := 42),
+    X, y,
+    5,
+    RegressionMetrics.R2,
+    seed := 42
+  );
+
+  var forestScore := Validation.CrossValidate(
+    new RandomForestRegressor(nTrees := 120, maxDepth := 8, minSamplesSplit := 10, minSamplesLeaf := 5, seed := 42),
+    X, y,
+    5,
+    RegressionMetrics.R2,
+    seed := 42
+  );
+
+  var gbScore := Validation.CrossValidate(
+    new GradientBoostingRegressor(nEstimators := 100, learningRate := 0.1, maxDepth := 3, minSamplesSplit := 10, minSamplesLeaf := 5, seed := 42),
+    X, y,
+    5,
+    RegressionMetrics.R2,
+    seed := 42
+  );
+
+  Println($'LinearRegression:           R² = {linScore:F3}');
+  Println($'DecisionTreeRegressor:      R² = {treeScore:F3}');
+  Println($'RandomForestRegressor:      R² = {forestScore:F3}');
+  Println($'GradientBoostingRegressor:  R² = {gbScore:F3}');
+end.

InstallerSamples/MachineLearning/06_Pipelines/01_DataPipeline_Classification.pas

@@ -0,0 +1,43 @@
+// Строго типизированный pipeline для классификации на DataFrame.
+//
+// Pipeline сам:
+// • проверяет схему таблицы;
+// • применяет preprocessing к признакам;
+// • кодирует целевую переменную внутри себя;
+// • передаёт матрицу признаков в модель.
+//
+// Здесь показан канонический сценарий:
+// Iris -> Train/Test Split -> StandardScaler -> LogisticRegression.
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 3);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      ds.Features,
+      new StandardScaler,
+      new LogisticRegression
+    );
+
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var y := pipe.GetEncodedLabels(testDf);
+
+  Println('Точность:', Metrics.Accuracy(y, pred):0:3);
+
+  var proba := pipe.PredictProba(testDf);
+  var classes := pipe.GetClassLabels;
+
+  Println('Классы:', classes.JoinToString(', '));
+  Println('Вероятности для первого объекта:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println(classes[j], ': ', proba[0, j]:0:3);
+end.

InstallerSamples/MachineLearning/06_Pipelines/02_DataPipeline_Regression.pas

@@ -0,0 +1,35 @@
+// Pipeline для регрессии на DataFrame с категориальным признаком.
+//
+// В этом примере:
+// • числовые признаки подаются в модель напрямую;
+// • категориальный признак renovation кодируется через OneHotEncoder;
+// • затем все признаки масштабируются;
+// • после этого обучается линейная регрессия.
+uses MLABC;
+
+begin
+  var ds := Datasets.MoscowHousing;
+  var df := ds.Data;
+
+  var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes', 'renovation'];
+  var target := 'price';
+
+  var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkRegression,
+      target,
+      features,
+      new OneHotEncoder('renovation'),
+      new StandardScaler,
+      new LinearRegression
+    );
+
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var y := testDf.ToVector(target);
+
+  Println($'R²: {Metrics.R2(y, pred):F3}');
+end.

InstallerSamples/MachineLearning/06_Pipelines/03_UDataPipeline_KMeans.pas

@@ -0,0 +1,48 @@
+// В этом примере показан unsupervised pipeline на DataFrame.
+//
+// Мы сначала готовим признаки в таблице,
+// а затем передаём их в UDataPipeline:
+// StandardScaler -> KMeans.
+//
+// Такой конвейер удобен, когда нужно явно сохранить
+// шаги подготовки данных и кластеризации в одном месте.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.RussianCities;
+  var df := ds.Data;
+
+  // Добавляем два полезных признака для кластеризации городов.
+  df := df.WithColumnFloat('density', row -> row.Float('population') / row.Float('area'));
+  df := df.WithColumnFloat('log_population', row -> Ln(row.Float('population')));
+
+  var features := ['log_population', 'density'];
+
+  var pipe :=
+    UDataPipeline.Build(
+      features,
+      new StandardScaler,
+      new KMeans(3, seed := 42)
+    );
+
+  var labels := pipe.FitPredict(df);
+  df.AddIntColumn('cluster', labels, nil);
+
+  Println('Кластеризация городов с помощью UDataPipeline');
+  Println;
+  Println('Используемые признаки: log_population, density');
+  Println('Число найденных кластеров: 3');
+
+  for var cluster := 0 to 2 do
+  begin
+    Println;
+    Println($'Кластер {cluster + 1}:');
+
+    df.Filter(row -> row.Int('cluster') = cluster)
+      .SortBy('population', descending := True)
+      .Select(['city', 'population', 'density'])
+      .Head(5)
+      .Print;
+  end;
+end.

InstallerSamples/MachineLearning/06_Pipelines/04_UMatrixPipeline_KMeans.pas

@@ -0,0 +1,58 @@
+// В этом примере показан unsupervised pipeline для матрицы признаков.
+//
+// Данные сначала извлекаются из DataFrame в матрицу,
+// а затем pipeline выполняет масштабирование и кластеризацию.
+//
+// Это удобно, когда табличная подготовка уже сделана заранее
+// и хочется работать сразу с числовой матрицей.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.RussianCities;
+  var df := ds.Data;
+
+  // Добавляем два полезных числовых признака для кластеризации городов.
+  df := df.WithColumnFloat('density', row -> row.Float('population') / row.Float('area'));
+  df := df.WithColumnFloat('log_population', row -> Ln(row.Float('population')));
+
+  // Для кластеризации берем два числовых признака:
+  // логарифм населения и плотность населения.
+  var features := ['log_population', 'density'];
+  var X := df.ToMatrix(features);
+
+  // Строим matrix pipeline:
+  // сначала StandardScaler, затем KMeans.
+  var pipe := UMatrixPipeline.Build(
+    new StandardScaler,
+    new KMeans(3, seed := 42)
+  );
+
+  // Обучаем pipeline и получаем метки кластеров.
+  pipe.Fit(X);
+  var labels := LabelsToInts(pipe.Predict(X));
+
+  // Добавляем метки кластеров в таблицу,
+  // чтобы потом удобно вывести представителей каждого кластера.
+  df.AddIntColumn('cluster', labels, nil);
+
+  Println('Кластеризация городов с помощью UMatrixPipeline');
+  Println;
+  Println('Используются признаки log_population и density.');
+  Println('Для каждого кластера выводятся самые крупные города.');
+  Println;
+
+  for var cluster := 0 to 2 do
+  begin
+    Println($'Кластер {cluster + 1}:');
+
+    var clusterDf := df
+      .Filter(r -> r.Int('cluster') = cluster)
+      .SortBy('population', descending := True)
+      .Select(['city', 'population', 'density'])
+      .Head(5);
+
+    clusterDf.Print;
+    Println;
+  end;
+end.

InstallerSamples/MachineLearning/06_Pipelines/05_MatrixPipeline_Classification.pas

@@ -0,0 +1,45 @@
+// В этом примере показан supervised pipeline для матрицы признаков.
+//
+// Данные сначала преобразуются в матрицу X и вектор меток y,
+// а затем pipeline выполняет масштабирование и обучение модели.
+//
+// Такой вариант удобен, когда признаки уже подготовлены
+// и не требуется отдельная обработка DataFrame.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  // Извлекаем числовую матрицу признаков
+  // и кодируем названия классов в числа.
+  var X := df.ToMatrix(ds.Features);
+  var y := df.EncodeLabels(ds.Target);
+
+  // Делим данные на обучающую и тестовую выборки.
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.3, seed := 42);
+
+  // Строим pipeline:
+  // StandardScaler -> LogisticRegression.
+  var pipe := MatrixPipeline.Build(
+    new StandardScaler,
+    new LogisticRegression(learningRate := 0.05, epochs := 1000)
+  );
+
+  // Обучаем pipeline и проверяем качество на тестовой выборке.
+  var XTrain := trainDs.Data.ToMatrix(trainDs.Features);
+  var classes: array of string;
+  var yTrain := trainDs.Data.EncodeLabels(trainDs.Target, classes);
+
+  var XTest := testDs.Data.ToMatrix(testDs.Features);
+  var yTest := testDs.Data.TransformLabels(testDs.Target, classes);
+
+  pipe.Fit(XTrain, yTrain);
+  var pred := pipe.Predict(XTest);
+  var acc := ClassificationMetrics.Accuracy(yTest, pred);
+
+  Println('Классификация Iris с помощью MatrixPipeline');
+  Println;
+  Println($'Точность на тестовой выборке: {acc:F3}');
+end.

InstallerSamples/MachineLearning/06_Pipelines/06_MatrixPipeline_Regression.pas

@@ -0,0 +1,32 @@
+// В этом примере MatrixPipeline используется
+// для задачи регрессии.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.MoscowHousing;
+
+  var features := ['area', 'rooms', 'floor', 'max_floor', 'distance_to_metro', 'building_age'];
+
+  var (trainDs, testDs) := ds.TrainTestSplit(testRatio := 0.2, seed := 42);
+
+  var XTrain := trainDs.Data.ToMatrix(features);
+  var yTrain := trainDs.Data.ToVector(ds.Target);
+
+  var XTest := testDs.Data.ToMatrix(features);
+  var yTest := testDs.Data.ToVector(ds.Target);
+
+  var pipe :=
+    MatrixPipeline.Build(
+      new StandardScaler,
+      new LinearRegression
+    );
+
+  pipe.Fit(XTrain, yTrain);
+  var pred := pipe.Predict(XTest);
+  var r2 := RegressionMetrics.R2(yTest, pred);
+
+  Println('MatrixPipeline для задачи регрессии');
+  Println;
+  Println($'R² на тестовой выборке: {r2:F3}');
+end.

InstallerSamples/MachineLearning/06_Pipelines/07_MatrixPipeline_KNN_WithScaling.pas

@@ -0,0 +1,47 @@
+// В этом примере сравнивается KNNClassifier
+// без масштабирования и с MatrixPipeline.
+//
+// Важно: в pipeline шаг StandardScaler выполняется автоматически.
+// То есть MatrixPipeline здесь эквивалентен цепочке:
+// StandardScaler -> KNNClassifier.
+
+uses MLABC;
+
+begin
+  var (X, y) := Datasets.MakeClassification(
+    n := 400,
+    nFeatures := 4,
+    nInformative := 2,
+    nRedundant := 0,
+    noise := 0.15,
+    classSep := 1.0,
+    seed := 42
+  );
+
+  for var i := 0 to X.RowCount - 1 do
+  begin
+    X[i, 2] := X[i, 2] * 100;
+    X[i, 3] := X[i, 3] * 1000;
+  end;
+
+  var (XTrain, XTest, yTrain, yTest) := Validation.TrainTestSplit(X, y, 0.25, seed := 42);
+
+  var knn := new KNNClassifier(5);
+  knn.Fit(XTrain, yTrain);
+  var acc1 := ClassificationMetrics.Accuracy(yTest, knn.Predict(XTest));
+
+  // Здесь масштабирование выполняется внутри pipeline автоматически.
+  var pipe :=
+    MatrixPipeline.Build(
+      new StandardScaler,
+      new KNNClassifier(5)
+    );
+
+  pipe.Fit(XTrain, yTrain);
+  var acc2 := ClassificationMetrics.Accuracy(yTest, pipe.Predict(XTest));
+
+  Println('KNNClassifier без масштабирования и с масштабированием');
+  Println;
+  Println($'Без масштабирования                : Accuracy = {acc1:F3}');
+  Println($'С MatrixPipeline и масштабированием: Accuracy = {acc2:F3}');
+end.

InstallerSamples/MachineLearning/07_Clustering/01_KMeans_SelectK_ByInertia.pas

@@ -0,0 +1,41 @@
+// В этом примере подбирается число кластеров для KMeans.
+//
+// Используются данные MakeBlobs с тремя естественными группами.
+// Для каждого значения k выводится inertia:
+// чем она меньше, тем ближе объекты к центрам своих кластеров.
+//
+// Идея метода:
+// при увеличении k inertia всегда уменьшается,
+// но после "правильного" числа кластеров выигрыш обычно становится небольшим.
+
+uses MLABC;
+
+begin
+  var (X, yTrue) := Datasets.MakeBlobs(
+    n := 300,
+    centers := 3,
+    nFeatures := 2,
+    clusterStd := 0.8,
+    centerBox := 6.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  Println('Подбор числа кластеров для KMeans');
+  Println;
+  Println('k    inertia');
+  Println('-' * 18);
+
+  for var k := 2 to 6 do
+  begin
+    var model := new KMeans(k, seed := 42);
+    model.Fit(X);
+    Println($'{k,-4} {model.Inertia,10:F3}');
+  end;
+
+  Println;
+  Println('Интерпретация результата:');
+  Println('- Inertia всегда уменьшается при росте k.');
+  Println('- Ищут момент, после которого уменьшение становится не таким заметным.');
+  Println('- В этом примере естественно ожидать около 3 кластеров.');
+end.

InstallerSamples/MachineLearning/07_Clustering/02_KMeans_vs_DBSCAN.pas

@@ -0,0 +1,41 @@
+// В этом примере сравниваются два алгоритма кластеризации:
+// KMeans и DBSCAN.
+//
+// KMeans хорошо работает, когда кластеры компактны и похожи по форме.
+// DBSCAN лучше справляется со сложной геометрией кластеров и не требует
+// заранее задавать их число.
+
+uses MLABC;
+
+begin
+  var (X, yTrue) := Datasets.MakeMoons(
+    n := 400,
+    noise := 0.08,
+    shuffle := True,
+    seed := 1
+  );
+
+  var kmeans := new KMeans(2, seed := 42);
+  kmeans.Fit(X);
+  var yKMeans := kmeans.PredictLabels(X);
+
+  var dbscan := new DBSCAN(0.22, 5);
+  dbscan.Fit(X);
+  var yDBSCAN := dbscan.PredictLabels(X);
+
+  var ariKMeans := ClusteringMetrics.AdjustedRandIndex(yTrue, yKMeans);
+  var ariDBSCAN := ClusteringMetrics.AdjustedRandIndex(yTrue, yDBSCAN);
+
+  Println('Сравнение KMeans и DBSCAN');
+  Println;
+  Println($'Число кластеров у KMeans:   {kmeans.ClustersCount}');
+  Println($'Число кластеров у DBSCAN:   {dbscan.ClustersCount}');
+  Println;
+  Println($'KMeans:  ARI = {ariKMeans:F3}');
+  Println($'DBSCAN:  ARI = {ariDBSCAN:F3}');
+  Println;
+  Println('Интерпретация результата:');
+  Println('- KMeans разбивает данные на компактные области вокруг центров.');
+  Println('- DBSCAN умеет находить кластеры сложной формы.');
+  Println('- Для двух "лун" DBSCAN обычно лучше отражает реальную структуру данных.');
+end.

InstallerSamples/MachineLearning/07_Clustering/03_DBSCAN_SelectEps.pas

@@ -0,0 +1,44 @@
+// В этом примере подбирается параметр eps для DBSCAN.
+//
+// eps задаёт радиус окрестности точки.
+// Если eps слишком мал, алгоритм считает много точек шумом.
+// Если eps слишком велик, разные группы могут слиться в один кластер.
+
+uses MLABC;
+
+begin
+  var (X, yTrue) := Datasets.MakeMoons(
+    n := 400,
+    noise := 0.08,
+    shuffle := True,
+    seed := 1
+  );
+
+  Println('Подбор параметра eps для DBSCAN');
+  Println;
+  Println('eps    кластеры   шум     ARI');
+  Println('-' * 34);
+
+  foreach var eps in [0.10, 0.14, 0.18, 0.22, 0.26, 0.30] do
+  begin
+    var model := new DBSCAN(eps, 5);
+    model.Fit(X);
+
+    var labels := model.PredictLabels(X);
+
+    var noiseCount := 0;
+    foreach var clusterLabel in labels do
+      if clusterLabel = -1 then
+        noiseCount += 1;
+
+    var ari := ClusteringMetrics.AdjustedRandIndex(yTrue, labels);
+
+    Println($'{eps,4:F2} {model.ClustersCount,10} {noiseCount,6} {ari,8:F3}');
+  end;
+
+  Println;
+  Println('Интерпретация результата:');
+  Println('- При слишком маленьком eps шумовых точек становится слишком много.');
+  Println('- При слишком большом eps разные группы могут сливаться.');
+  Println('- Хороший eps даёт разумное число кластеров и высокое значение ARI.');
+end.

InstallerSamples/MachineLearning/07_Clustering/04_RussianCities_KMeans.pas

@@ -0,0 +1,45 @@
+// В этом примере KMeans применяется к реальным данным о российских городах.
+//
+// Для кластеризации используются два признака:
+// log_population и density.
+// Это позволяет группировать города не по координатам,
+// а по масштабу и плотности.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.RussianCities;
+  var df := ds.Data;
+
+  df := df.WithColumnFloat('density', row -> row.Float('population') / row.Float('area'));
+  df := df.WithColumnFloat('log_population', row -> Ln(row.Float('population')));
+
+  var features := ['log_population', 'density'];
+
+  var pipe :=
+    UDataPipeline.Build(
+      features,
+      new StandardScaler,
+      new KMeans(3, seed := 42)
+    );
+
+  var labels := pipe.FitPredict(df);
+  df.AddIntColumn('cluster', labels, nil);
+
+  Println('Кластеризация российских городов');
+  Println;
+  Println('Признаки: log_population, density');
+  Println('Число кластеров: 3');
+
+  for var cluster := 0 to 2 do
+  begin
+    Println;
+    Println($'Кластер {cluster + 1}:');
+
+    df.Filter(row -> row.Int('cluster') = cluster)
+      .SortBy('population', descending := True)
+      .Select(['city', 'population', 'density'])
+      .Head(5)
+      .Print;
+  end;
+end.

InstallerSamples/MachineLearning/07_Clustering/05_ClusteringMetrics.pas

@@ -0,0 +1,37 @@
+// Метрики помогают сравнить разные варианты кластеризации.
+//
+// В этом примере данные естественно делятся на 3 группы.
+// Мы сравниваем несколько значений k для KMeans и смотрим,
+// как меняются ARI, Silhouette, Calinski-Harabasz и Davies-Bouldin.
+
+uses MLABC;
+
+begin
+  var (X, yTrue) := Datasets.MakeBlobs(
+    n := 300,
+    centers := 3,
+    nFeatures := 2,
+    clusterStd := 0.8,
+    centerBox := 6.0,
+    shuffle := True,
+    seed := 42
+  );
+
+  Println('Сравнение вариантов кластеризации');
+  Println;
+  Println('k    ARI    Silhouette    Calinski-Harabasz    Davies-Bouldin');
+  Println('----------------------------------------------------------------');
+
+  foreach var k in [2, 3, 4, 5] do
+  begin
+    var model := new KMeans(k, seed := 42);
+    var labels := model.FitPredict(X);
+
+    var ari := ClusteringMetrics.AdjustedRandIndex(yTrue, labels);
+    var sil := ClusteringMetrics.SilhouetteScore(X, labels);
+    var ch := ClusteringMetrics.CalinskiHarabaszScore(X, labels);
+    var db := ClusteringMetrics.DaviesBouldinScore(X, labels);
+
+    Println($'{k,1}   {ari,5:F3}      {sil,5:F3}             {ch,8:F1}           {db,5:F3}');
+  end;
+end.

InstallerSamples/MachineLearning/08_Datasets/Iris/07_Pipeline.pas

@@ -1,4 +1,4 @@
-uses MLABC;
+uses MLABC;
 
 begin
   var ds := Datasets.Iris;
@@ -6,11 +6,11 @@ begin
 
   var pipe :=
     DataPipeline.Build(
+      TaskKind.tkClassification,
       ds.Target,
       ds.Features,
-      new LabelEncoder(ds.Target), // Data preprocessor
-      new StandardScaler,          // Matrix transformer
-      new LogisticRegression       // Model
+      new StandardScaler,     // Matrix transformer
+      new LogisticRegression  // Model
     );
 
   var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 3);
@@ -19,7 +19,7 @@ begin
 
   var pred := pipe.Predict(testDf);
 
-  var y := testDf.EncodeLabels(ds.Target);
+  var y := pipe.GetEncodedLabels(testDf);
 
-  Println('Accuracy:', Metrics.Accuracy(y, pred):0:3);
-end.
+  Println('Точность:', Metrics.Accuracy(y, pred):0:3);
+end.

InstallerSamples/MachineLearning/08_Datasets/MoscowHousing/01_Info.pas

@@ -9,7 +9,7 @@ begin
   
   Println;
   Println('Первые строки:');
-  ds.Head.Println(1);
-  
+  ds.Head.Print;
+  Println;
   df.Schema.Println
 end.

InstallerSamples/MachineLearning/08_Datasets/RussianCities/01_Info.pas

@@ -6,7 +6,7 @@ begin
   var df := ds.Data;
 
   df.Schema.Println;
-  df.PrintlnInfo;
-  
-  df.PrintlnPreview(20);
+  df.PrintInfo;
+  Println;
+  df.Print;
 end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/01_Info.pas

@@ -0,0 +1,14 @@
+uses MLABC;
+
+begin
+  Datasets.Language := 'ru';
+
+  var ds := Datasets.TitanicRu;
+  ds.Info;
+  Println;
+
+  ds.ClassCounts.PrintLines(kv -> ds.ClassName(kv.Key) + ' → ' + kv.Value);
+  Println;
+
+  ds.Data.Print(20);
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/02_AgeFareScatter.pas

@@ -0,0 +1,16 @@
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data
+    .Filter(row -> row.IsValid('Возраст') and row.IsValid('ЦенаБилета'));
+
+  var age := df.ToVector('Возраст');
+  var fare := df.ToVector('ЦенаБилета');
+  var y := df.GetIntColumn('Выжил');
+
+  Plot.Points(age, fare, y, size := 5);
+  Plot.XLabel('Возраст');
+  Plot.YLabel('Цена билета');
+  Plot.Title := 'Титаник: возраст, цена билета и выживание';
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/03_Preprocessing.pas

@@ -0,0 +1,24 @@
+uses MLABC;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data;
+
+  Println('До предобработки:');
+  df.Select(['Id', 'Имя', 'Выжил', 'Класс', 'Пол', 'Возраст', 'ПортПосадки']).Head(10).Print;
+  Println;
+
+  // Убираем служебный номер и длинное текстовое поле.
+  df := df.Drop(['Id', 'Имя']);
+
+  // Заполняем пропуски в возрасте средним значением.
+  var ageImputer := new Imputer(['Возраст']);
+  df := ageImputer.FitTransform(df);
+
+  // Заполняем пропуски в порту посадки константой.
+  var portImputer := new Imputer('Саутгемптон', ['ПортПосадки']);
+  df := portImputer.FitTransform(df);
+
+  Println('После предобработки:');
+  df.Select(['Выжил', 'Класс', 'Пол', 'Возраст', 'ПортПосадки']).Head(10).Print;
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/04_AgeHistogramBySurvival.pas

@@ -0,0 +1,23 @@
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data.Filter(row -> row.IsValid('Возраст'));
+
+  var diedAges: array of real := df
+    .Filter(row -> row.Int('Выжил') = 0)
+    .ToVector('Возраст').Data;
+
+  var survivedAges: array of real := df
+    .Filter(row -> row.Int('Выжил') = 1)
+    .ToVector('Возраст').Data;
+
+  Println($'Пассажиров с известным возрастом: {df.RowCount}');
+  Println($'Не выжили: {diedAges.Length}');
+  Println($'Выжили: {survivedAges.Length}');
+
+  Plot.HistMany([diedAges,survivedAges], bins := 20, colors := [Colors.IndianRed, Colors.SteelBlue], alpha := 0.45, legend := ['не выжили','выжили']);
+  Plot.Title := 'Титаник: возраст выживших (голубой) и невыживших (красный)';
+  Plot.XLabel('Возраст');
+  Plot.YLabel('Число пассажиров');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/05_Classification.pas

@@ -0,0 +1,32 @@
+uses MLABC;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки'];
+
+  var df := ds.Data.Drop(['Id', 'Имя']);
+  
+  var (trainDf, testDf) :=
+    df.StratifiedTrainTestSplit(ds.Target, testRatio := 0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      ds.Target,
+      features,
+      new Imputer(['Возраст']),
+      new Imputer('Саутгемптон', ['ПортПосадки']),
+      new OneHotEncoder('Пол'),
+      new OneHotEncoder('ПортПосадки'),
+      new StandardScaler,
+      new LogisticRegression(learningRate := 0.1, epochs := 2000)
+    );
+
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var y := pipe.GetEncodedLabels(testDf);
+
+  Println('Классификация выживания на Титанике (логистическая регрессия)');
+  Println($'Accuracy = {Metrics.Accuracy(y, pred):F3}');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/06_ModelComparison.pas

@@ -0,0 +1,48 @@
+uses MLABC;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data.Drop(['Id', 'Имя']);
+
+  // Заполняем пропуски.
+  var ageImputer := new Imputer(['Возраст']);
+  df := ageImputer.FitTransform(df);
+
+  var portImputer := new Imputer('Саутгемптон', ['ПортПосадки']);
+  df := portImputer.FitTransform(df);
+
+  // Кодируем категориальные признаки числами.
+  var sexEncoder := new LabelEncoder('Пол');
+  df := sexEncoder.FitTransform(df);
+
+  var portEncoder := new LabelEncoder('ПортПосадки');
+  df := portEncoder.FitTransform(df);
+
+  var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки'];
+  var X := df.ToMatrix(features);
+  var y := df.GetIntColumn('Выжил');
+
+  var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, testRatio := 0.2, seed := 42);
+
+  var scaler := new StandardScaler;
+  scaler.Fit(Xtrain);
+  var XtrainScaled := scaler.Transform(Xtrain);
+  var XtestScaled := scaler.Transform(Xtest);
+
+  var lr := new LogisticRegression(learningRate := 0.01, epochs := 2000);
+  lr.Fit(XtrainScaled, ytrain);
+  var predLR := lr.Predict(XtestScaled);
+
+  var tree := new DecisionTreeClassifier(maxDepth := 5, minSamplesLeaf := 3, minSamplesSplit := 6);
+  tree.Fit(Xtrain, ytrain);
+  var predTree := tree.Predict(Xtest);
+
+  var forest := new RandomForestClassifier(nTrees := 100, maxDepth := 6, minSamplesLeaf := 3, minSamplesSplit := 6);
+  forest.Fit(Xtrain, ytrain);
+  var predForest := forest.Predict(Xtest);
+
+  Println('Сравнение моделей на TitanicRu');
+  Println($'LogisticRegression:    Accuracy = {Metrics.Accuracy(ytest, predLR):F3}');
+  Println($'DecisionTreeClassifier: Accuracy = {Metrics.Accuracy(ytest, predTree):F3}');
+  Println($'RandomForestClassifier: Accuracy = {Metrics.Accuracy(ytest, predForest):F3}');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/07_PredictProba.pas

@@ -0,0 +1,39 @@
+uses MLABC;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки'];
+
+  var df := ds.Data.Drop(['Id', 'Имя']);
+  
+  var (trainDf, testDf) :=
+    df.StratifiedTrainTestSplit(ds.Target, testRatio := 0.2, seed := 42);
+
+  var pipe :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      'Выжил',
+      features,
+      new Imputer(['Возраст']),
+      new Imputer('Саутгемптон', ['ПортПосадки']),
+      new OneHotEncoder('Пол'),
+      new OneHotEncoder('ПортПосадки'),
+      new StandardScaler,
+      new LogisticRegression(learningRate := 0.01, epochs := 2000)
+    );
+
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var y := pipe.GetEncodedLabels(testDf);
+  var proba := pipe.PredictProba(testDf);
+  var classes := pipe.GetClassLabels;
+
+  Println('TitanicRu: вероятности классов');
+  Println($'Accuracy = {Metrics.Accuracy(y, pred):F3}');
+  Println;
+  Println('Вероятности для первого пассажира тестовой выборки:');
+
+  for var j := 0 to classes.Length - 1 do
+    Println($'  {classes[j]}: {proba[0, j]:F3}');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/08_CrossValidation.pas

@@ -0,0 +1,58 @@
+uses MLABC;
+
+function BuildPipe(features: array of string): DataPipeline;
+begin
+  Result :=
+    DataPipeline.Build(
+      TaskKind.tkClassification,
+      'Выжил',
+      features,
+      new Imputer(['Возраст']),
+      new Imputer('Саутгемптон', ['ПортПосадки']),
+      new OneHotEncoder('Пол'),
+      new OneHotEncoder('ПортПосадки'),
+      new StandardScaler,
+      new RandomForestClassifier(nTrees := 100, maxDepth := 6, minSamplesLeaf := 3, minSamplesSplit := 6)
+    );
+end;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки'];
+  var df := ds.Data.Drop(['Id', 'Имя']);
+
+  var (trainDf, testDf) :=
+    df.StratifiedTrainTestSplit(ds.Target, testRatio := 0.2, seed := 42);
+
+  var pipe := BuildPipe(features);
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var y := pipe.GetEncodedLabels(testDf);
+  var testAccuracy := Metrics.Accuracy(y, pred);
+
+  var total := 0.0;
+  var folds := Validation.StratifiedKFold(df.GetIntColumn('Выжил'), 5, seed := 1);
+  var foldsCount := 0;
+
+  foreach var (trainIdx, testIdx) in folds do
+  begin
+    var foldTrain := df.TakeRows(trainIdx);
+    var foldTest := df.TakeRows(testIdx);
+
+    var foldPipe := BuildPipe(features);
+    foldPipe.Fit(foldTrain);
+
+    var foldPred := foldPipe.Predict(foldTest);
+    var foldY := foldPipe.GetEncodedLabels(foldTest);
+
+    total += Metrics.Accuracy(foldY, foldPred);
+    foldsCount += 1;
+  end;
+
+  var cvAccuracy := total / foldsCount;
+
+  Println('Оценка RandomForestClassifier двумя способами');
+  Println($'Accuracy на тестовой выборке: {testAccuracy:F3}');
+  Println($'Средняя Accuracy по кросс-валидации: {cvAccuracy:F3}');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/09_FeatureImportance.pas

@@ -0,0 +1,31 @@
+uses MLABC;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data.Drop(['Id', 'Имя']);
+
+  var ageImputer := new Imputer(['Возраст']);
+  df := ageImputer.FitTransform(df);
+
+  var portImputer := new Imputer('Саутгемптон', ['ПортПосадки']);
+  df := portImputer.FitTransform(df);
+
+  var sexEncoder := new LabelEncoder('Пол');
+  df := sexEncoder.FitTransform(df);
+
+  var portEncoder := new LabelEncoder('ПортПосадки');
+  df := portEncoder.FitTransform(df);
+
+  var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки'];
+  var X := df.ToMatrix(features);
+  var y := df.GetIntColumn('Выжил');
+
+  var model := new RandomForestClassifier(nTrees := 100, maxDepth := 6, minSamplesLeaf := 3, minSamplesSplit := 6, seed := 42);
+  model.Fit(X, y);
+
+  var imp := model.FeatureImportances;
+
+  Println('Важность признаков для RandomForestClassifier');
+  for var i := 0 to features.Length - 1 do
+    Println($'{features[i],-18}: {imp[i]:F3}');
+end.

InstallerSamples/MachineLearning/08_Datasets/TitanicRu/10_SurvivalBySexAndClass.pas

@@ -0,0 +1,26 @@
+uses MLABC;
+
+function SurvivalRate(df: DataFrame): real;
+begin
+  Result := df.GetIntColumn('Выжил').Average;
+end;
+
+begin
+  var ds := Datasets.TitanicRu;
+  var df := ds.Data;
+
+  Println('Доля выживших по полу:');
+  foreach var sex in |'муж', 'жен'| do
+  begin
+    var sub := df.Filter(r -> r.Str('Пол') = sex);
+    Println($'  {sex,-4}: {100 * SurvivalRate(sub):F1}%');
+  end;
+
+  Println;
+  Println('Доля выживших по классу:');
+  for var cls := 1 to 3 do
+  begin
+    var sub := df.Filter(r -> r.Int('Класс') = cls);
+    Println($'  класс {cls}: {100 * SurvivalRate(sub):F1}%');
+  end;
+end.

InstallerSamples/MachineLearning/08_Datasets/_Synthetic/05_MakeSpiral.pas

@@ -11,6 +11,6 @@ begin
     seed := 1
   );
   
-  Plot.Title('MakeSpiral синтетический датасет');
+  Plot.Title := 'MakeSpiral синтетический датасет';
   Plot.Points(X.Col(0), X.Col(1), LabelsToInts(y), size := 5);
 end.

InstallerSamples/MachineLearning/09_Visualization/01_Scatter_Iris.pas

@@ -0,0 +1,28 @@
+// В этом примере строится scatter plot для двух признаков датасета Iris.
+//
+// По оси X откладывается длина чашелистика,
+// по оси Y — ширина чашелистика.
+//
+// Цвет точки показывает класс цветка.
+
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  // Берем два признака для двумерного графика.
+  var sepalLength := df.ToVector('sepal_length');
+  var sepalWidth := df.ToVector('sepal_width');
+
+  // Кодируем классы в числа, чтобы раскрасить точки по видам Iris.
+  var y := df.EncodeLabels(ds.Target);
+
+  Println('Scatter plot для датасета Iris');
+  Println;
+  Println('По оси X: sepal_length');
+  Println('По оси Y: sepal_width');
+
+  Plot.Points(sepalLength, sepalWidth, y, size := 6);
+  Plot.SetLabels('Iris: scatter plot', 'sepal_length', 'sepal_width');
+end.

InstallerSamples/MachineLearning/09_Visualization/02_PairPlot_Iris.pas

@@ -0,0 +1,26 @@
+// В этом примере строится pair plot для всех признаков датасета Iris.
+//
+// На диагонали расположены гистограммы отдельных признаков,
+// а вне диагонали — scatter plot для всех пар признаков.
+//
+// Цвет точки показывает класс цветка.
+
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  // Преобразуем признаки в матрицу.
+  var X := df.ToMatrix(ds.Features);
+
+  // Кодируем классы в числа, чтобы раскрасить точки по видам Iris.
+  var y := df.EncodeLabels(ds.Target);
+
+  Println('Pair plot для датасета Iris');
+  Println;
+  Println('На диагонали показаны гистограммы признаков.');
+  Println('Вне диагонали показаны scatter plot для всех пар признаков.');
+
+  Plot.PairPlot(X, LabelsToInts(y), ds.Features);
+end.

InstallerSamples/MachineLearning/09_Visualization/03_Histogram_Iris.pas

@@ -0,0 +1,21 @@
+// В этом примере строится гистограмма одного признака датасета Iris.
+//
+// Гистограмма показывает, как распределены значения признака
+// и в каких диапазонах они встречаются чаще.
+
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  // Берем длину лепестка.
+  var petalLength := df.ToVector('petal_length');
+
+  Println('Гистограмма признака petal_length');
+  Println;
+  Println('Гистограмма помогает увидеть распределение значений признака.');
+
+  Plot.Hist(petalLength, bins := 12);
+  Plot.SetLabels('Iris: histogram', 'petal_length', 'count');
+end.

InstallerSamples/MachineLearning/09_Visualization/04_Heatmap_Correlation.pas

@@ -0,0 +1,25 @@
+// В этом примере строится heatmap матрицы корреляций
+// для числовых признаков датасета Iris.
+//
+// Тепловая карта помогает быстро увидеть,
+// какие признаки связаны друг с другом сильнее.
+
+uses MLABC, PlotML;
+
+begin
+  var ds := Datasets.Iris;
+  var df := ds.Data;
+
+  // Вычисляем матрицу корреляций для числовых столбцов.
+  var corrDf := Statistics.CorrelationMatrix(df);
+  var corrNames := corrDf.Schema.ColumnNames.Skip(1).ToArray;
+  var corr := corrDf.ToMatrix(corrNames);
+
+  Println('Heatmap матрицы корреляций для Iris');
+  Println;
+  Println('В строках и столбцах расположены признаки.');
+  Println('Внутри каждой клетки показан коэффициент корреляции.');
+
+  Plot.Heatmap(corr, corrNames);
+  Plot.Title := 'Iris: correlation heatmap';
+end.

InstallerSamples/MachineLearning/09_Visualization/05_Surface_ClassificationBoundary.pas

@@ -0,0 +1,29 @@
+// В этом примере Surface показывает,
+// как модель делит плоскость на области классов.
+
+uses MLABC, PlotML;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 300,
+    noise := 0.18,
+    seed := 42
+  );
+
+  var model := new DecisionTreeClassifier(maxDepth := 5, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42);
+  model.Fit(X, y);
+  var acc := ClassificationMetrics.Accuracy(y, model.Predict(X));
+
+  var x1 := X.Col(0);
+  var x2 := X.Col(1);
+  var labels := LabelsToInts(y);
+
+  Println('Граница решений для DecisionTreeClassifier');
+  Println;
+  Println('Цветной фон показывает области, которые модель относит к разным классам.');
+  Println($'Accuracy = {acc:F3}');
+
+  Plot.Surface(x1, x2, 80, 80, G -> model.PredictLabels(G), Palettes.Pastel);
+  Plot.Points(x1, x2, labels, size := 6);
+  Plot.Title := $'DecisionTreeClassifier: decision boundary (Acc = {acc:F3})';
+end.

InstallerSamples/MachineLearning/09_Visualization/06_Surface_LogisticVsTree.pas

@@ -0,0 +1,34 @@
+// В этом примере сравниваются границы решений
+// логистической регрессии и дерева решений.
+
+uses MLABC, PlotML;
+
+begin
+  var (X, y) := Datasets.MakeMoons(
+    n := 300,
+    noise := 0.18,
+    seed := 42
+  );
+
+  var logreg := new LogisticRegression(learningRate := 0.05, epochs := 1000);
+  logreg.Fit(X, y);
+  var accLR := ClassificationMetrics.Accuracy(y, logreg.Predict(X));
+
+  var tree := new DecisionTreeClassifier(maxDepth := 5, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42);
+  tree.Fit(X, y);
+  var accTree := ClassificationMetrics.Accuracy(y, tree.Predict(X));
+
+  var x1 := X.Col(0);
+  var x2 := X.Col(1);
+  var labels := LabelsToInts(y);
+
+  var fig := Plot.Grid(1, 2);
+
+  fig[0,0].Surface(x1, x2, 80, 80, G -> logreg.PredictLabels(G), Palettes.Pastel);
+  fig[0,0].Points(x1, x2, labels, size := 6);
+  fig[0,0].Title := $'LogisticRegression (Acc = {accLR:F3})';
+
+  fig[0,1].Surface(x1, x2, 80, 80, G -> tree.PredictLabels(G), Palettes.Pastel);
+  fig[0,1].Points(x1, x2, labels, size := 6);
+  fig[0,1].Title := $'DecisionTreeClassifier (Acc = {accTree:F3})';
+end.

InstallerSamples/MachineLearning/09_Visualization/07_Surface_TreeVsForest.pas

@@ -0,0 +1,37 @@
+// В этом примере сравниваются границы решений
+// дерева решений и случайного леса.
+
+uses MLABC, PlotML;
+
+begin
+  var (X, y) := Datasets.MakeCircles(
+    n := 300,
+    noise := 0.3,
+    factor := 0.5,
+    flipProb := 0.08,
+    scale := 3.0,
+    seed := 42
+  );
+
+  var tree := new DecisionTreeClassifier(maxDepth := 6, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42);
+  tree.Fit(X, y);
+  var accTree := ClassificationMetrics.Accuracy(y, tree.Predict(X));
+
+  var forest := new RandomForestClassifier(nTrees := 100, maxDepth := 6, minSamplesSplit := 6, minSamplesLeaf := 3, seed := 42);
+  forest.Fit(X, y);
+  var accForest := ClassificationMetrics.Accuracy(y, forest.Predict(X));
+
+  var x1 := X.Col(0);
+  var x2 := X.Col(1);
+  var labels := LabelsToInts(y);
+
+  var fig := Plot.Grid(1, 2);
+
+  fig[0,0].Surface(x1, x2, 80, 80, G -> tree.PredictLabels(G), Palettes.Pastel);
+  fig[0,0].Points(x1, x2, labels, size := 6);
+  fig[0,0].Title := $'DecisionTree (Acc = {accTree:F3})';
+
+  fig[0,1].Surface(x1, x2, 80, 80, G -> forest.PredictLabels(G), Palettes.Pastel);
+  fig[0,1].Points(x1, x2, labels, size := 6);
+  fig[0,1].Title := $'RandomForest (Acc = {accForest:F3})';
+end.

InstallerSamples/MachineLearning/10_RealTasks/01_Iris_EndToEnd_Pipeline.pas

@@ -0,0 +1,28 @@
+// Полный пример задачи классификации:
+// загружаем датасет, делим его на выборки,
+// обучаем pipeline и оцениваем качество.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.Iris;
+  var (trainDs, testDs) := ds.StratifiedTrainTestSplit(testRatio := 0.3, seed := 42);
+
+  var pipe := DataPipeline.Build(
+    TaskKind.tkClassification,
+    ds.Target,
+    ds.Features,
+    new StandardScaler,
+    new LogisticRegression(learningRate := 0.05, epochs := 1000)
+  );
+
+  pipe.Fit(trainDs.Data);
+
+  var pred := pipe.Predict(testDs.Data);
+  var yTest := pipe.GetEncodedLabels(testDs.Data);
+  var acc := ClassificationMetrics.Accuracy(yTest, pred);
+
+  Println('Классификация Iris: полный пример');
+  Println;
+  Println($'Accuracy = {acc:F3}');
+end.

InstallerSamples/MachineLearning/10_RealTasks/02_MoscowHousing_Pipeline.pas

@@ -0,0 +1,34 @@
+// Полный пример задачи регрессии:
+// загружаем датасет, делим его на выборки,
+// обучаем pipeline и оцениваем качество.
+
+uses MLABC;
+
+begin
+  var ds := Datasets.MoscowHousing;
+  var df := ds.Data;
+
+  var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes', 'renovation'];
+  var target := 'price';
+
+  var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 42);
+
+  var pipe := DataPipeline.Build(
+    TaskKind.tkRegression,
+    target,
+    features,
+    new OneHotEncoder('renovation'),
+    new StandardScaler,
+    new LinearRegression
+  );
+
+  pipe.Fit(trainDf);
+
+  var pred := pipe.Predict(testDf);
+  var yTest := testDf.ToVector(target);
+  var r2 := Metrics.R2(yTest, pred);
+
+  Println('Прогноз цен на жильё: полный пример');
+  Println;
+  Println($'R² = {r2:F3}');
+end.

InstallerSamples/MachineLearning/13_Seminars/seminar1.pas

@@ -7,7 +7,7 @@ begin
   df.Schema.Println;
   
   // Заполняем пропуски в числовых столбцах средним значением
-  var imputer := new Imputer('population', 'lat', 'lon');
+  var imputer := new Imputer(['population', 'lat', 'lon']);
   df := imputer.FitTransform(df);
   
   // Кодируем категориальные признаки
@@ -17,5 +17,5 @@ begin
   var encoder2 := new LabelEncoder('federal_district');
   df := encoder2.FitTransform(df);
   
-  df.PrintPreview(6);
-end.
+  df.Print;
+end.

InstallerSamples/MachineLearning/13_Seminars/seminar2.pas

@@ -13,7 +13,7 @@ begin
   ]);
   
   // Препроцессинг
-  var imputer := new Imputer('population', 'lat', 'lon');
+  var imputer := new Imputer(['population', 'lat', 'lon']);
   df := imputer.FitTransform(df);
   
   var le1 := new LabelEncoder('region_name');
@@ -35,4 +35,4 @@ begin
   var preds := model.Predict(X);
   
   Println('RMSE:', Metrics.RMSE(y, preds):0:3);
-end.
+end.

InstallerSamples/MachineLearning/13_Seminars/seminar3.pas

@@ -4,7 +4,7 @@ begin
   var df := CsvLoader.Load('towns_russia.csv', inferCategorical := true);  
   df := df.Select(['population', 'lat', 'lon', 'region_name', 'federal_district']);
   
-  var imputer := new Imputer('population', 'lat', 'lon');
+  var imputer := new Imputer(['population', 'lat', 'lon']);
   df := imputer.FitTransform(df);
   
   var le1 := new LabelEncoder('region_name');
@@ -28,4 +28,4 @@ begin
   var preds := model.Predict(Xscaled);
   
   Println('RMSE:', Metrics.RMSE(y, preds):0:3);
-end.
+end.

InstallerSamples/MachineLearning/13_Seminars/seminar4.pas

@@ -8,10 +8,11 @@ begin
 
   var target := 'price';
 
-  var (trainDf, testDf) := df.TrainTestSplit(0.2, 42);
+  var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 42);
 
   var pipe :=
     DataPipeline.Build( // сборка pipeline: target + features + шаги
+      TaskKind.tkRegression,
       target,           // целевая переменная
       features,         // список признаков
       new OneHotEncoder('renovation'), // DataFrame-уровень: кодирование категории

InstallerSamples/MachineLearning/13_Seminars/seminar5_synthetic.pas

@@ -0,0 +1,122 @@
+uses MLABC, PlotML;
+
+function ToIntArray(v: Vector): array of integer;
+begin
+  Result := v.Data.Select(t -> integer(t)).ToArray;
+end;
+
+function BinLabels(v: Vector; bins: integer := 8): array of integer;
+begin
+  Result := new integer[v.Length];
+
+  var vmin := v.Min;
+  var vmax := v.Max;
+
+  if vmax = vmin then
+    exit;
+
+  var w := (vmax - vmin) / bins;
+
+  for var i := 0 to v.Length - 1 do
+  begin
+    var k := trunc((v[i] - vmin) / w);
+    if k >= bins then k := bins - 1;
+    if k < 0 then k := 0;
+    Result[i] := k;
+  end;
+end;
+
+procedure DrawDataset(cell: Cell; X: Matrix; labels: array of integer; title: string);
+begin
+  var x1 := X.Col(0);
+  var x2 := X.Col(1);
+
+  // защита от рассинхронизации
+  if labels.Length <> X.RowCount then
+    raise new Exception('Labels length mismatch');
+
+  cell.SetPalette(Palettes.Bright);
+  cell.Points(x1, x2, labels, size := 5);
+  cell.Title := title;
+end;
+
+begin
+  var fig := Plot.Grid(2, 3);
+
+  // --- Blobs
+  var (X1, y1) := Datasets.MakeBlobs(
+    n := 300,
+    centers := 3,
+    nFeatures := 2,
+    clusterStd := 0.7,
+    clusterStdVar := 0.4,
+    centerBox := 5.0,
+    classBalance := 1.0,
+    noisePoints := 20,
+    shuffle := True,
+    seed := 1
+  );
+  DrawDataset(fig[0,0], X1, ToIntArray(y1), 'MakeBlobs');
+
+  // --- Moons
+  var (X2, y2) := Datasets.MakeMoons(
+    n := 300,
+    noise := 0.1,
+    shuffle := True,
+    seed := 2
+  );
+  DrawDataset(fig[0,1], X2, ToIntArray(y2), 'MakeMoons');
+
+  // --- Circles
+  var (X3, y3) := Datasets.MakeCircles(
+    n := 300,
+    noise := 0.08,
+    factor := 0.45,
+    classBalance := 0.5,
+    flipProb := 0.0,
+    scale := 3.0,
+    shuffle := True,
+    seed := 3
+  );
+  DrawDataset(fig[0,2], X3, ToIntArray(y3), 'MakeCircles');
+
+  // --- Spiral
+  var (X4, y4) := Datasets.MakeSpiral(
+    n := 300,
+    noise := 0.03,
+    turns := 2.5,
+    shuffle := True,
+    seed := 4
+  );
+  DrawDataset(fig[1,0], X4, ToIntArray(y4), 'MakeSpiral');
+
+  // --- Regression (биннинг)
+  var (X5, y5) := Datasets.MakeRegression(
+    n := 300,
+    nFeatures := 2,
+    nInformative := 2,
+    noise := 0.02,
+    coefScale := 1.0,
+    bias := 0.0,
+    nonlinearStrength := 3.0,
+    shuffle := True,
+    seed := 5
+  );
+  var labels := ArrFill(X5.RowCount, 0);
+  DrawDataset(fig[1,1], X5, labels, 'MakeRegression');
+
+  // --- Classification
+  var (X6, y6) := Datasets.MakeClassification(
+    n := 300,
+    nFeatures := 2,
+    nInformative := 2,
+    nRedundant := 0,
+    noise := 0.2,
+    classSep := 2.5,
+    flipProb := 0.05,
+    classBalance := 0.5,
+    shuffle := True,
+    seed := 6
+  );
+  DrawDataset(fig[1,2], X6, ToIntArray(y6), 'MakeClassification');
+end.

InstallerSamples/WhatsNew/3_11_1/DataFrameABC1.pas

@@ -32,10 +32,10 @@ begin
   Kat,21,NA
   ''');
   
-  df.Filter(row -> row.Int('age') > 20).Println;
-  
-  df.GroupBy('age').Mean('score').Println;
-
+  df.Filter(row -> row.Int('age') > 20).Print;
+  Println;
+  df.GroupBy('age').Mean('score').Print;
+  Println;
   var stat := df.Describe('score');
   Println($'score: count={stat.Count}, min={stat.Min}, max={stat.Max}, mean={stat.Mean}, std={stat.Std.Round(3)}');
 end.

Libraries/WeifenLuo/WinFormsUI/Docking/VS2005DockPaneStrip.cs

@@ -108,7 +108,7 @@ namespace WeifenLuo.WinFormsUI.Docking
 
         private const int _DocumentStripGapTop = -1;
         private const int _DocumentStripGapBottom = 1;
-		private const int _DocumentTabMaxWidth = 500;
+		private const int _DocumentTabMaxWidth = 600;
 		private const int _DocumentButtonGapTop = 4;
 		private const int _DocumentButtonGapBottom = 4;
 		private const int _DocumentButtonGapBetween = 0;

Release/pabcversion.txt

@@ -1 +1 @@
-3.11.1.3812
+3.11.1.3814

ReleaseGenerators/Files/Datasets/moscow_housing.meta

@@ -0,0 +1,49 @@
+name = MoscowHousing
+
+task = regression
+
+features = rooms,area,kitchen_area,floor,floors_total,metro_minutes,renovation
+target = price
+
+description.en = Apartment prices in Moscow with basic structural and location features.
+description.ru = Цены на квартиры в Москве с основными характеристиками жилья и расположения.
+
+source = Real estate listings (aggregated dataset)
+url = https://example.com/moscow-housing
+
+feature.price = float
+feature.rooms = int
+feature.area = float
+feature.kitchen_area = float
+feature.floor = int
+feature.floors_total = int
+feature.metro_minutes = float
+feature.renovation = categorical
+
+feature.price.ru = цена квартиры
+feature.rooms.ru = число комнат
+feature.area.ru = площадь квартиры
+feature.kitchen_area.ru = площадь кухни
+feature.floor.ru = этаж
+feature.floors_total.ru = этажей в доме
+feature.metro_minutes.ru = минуты до метро
+feature.renovation.ru = тип ремонта
+
+feature.price.en = apartment price
+feature.rooms.en = number of rooms
+feature.area.en = apartment area
+feature.kitchen_area.en = kitchen area
+feature.floor.en = floor
+feature.floors_total.en = total floors in building
+feature.metro_minutes.en = minutes to metro
+feature.renovation.en = renovation type
+
+value.renovation.without.ru = без ремонта
+value.renovation.cosmetic.ru = косметический
+value.renovation.euro.ru = евроремонт
+value.renovation.designer.ru = дизайнерский
+
+value.renovation.without.en = without renovation
+value.renovation.cosmetic.en = cosmetic
+value.renovation.euro.en = european renovation
+value.renovation.designer.en = designer renovation

ReleaseGenerators/Files/Datasets/russian_cities.csv

@@ -0,0 +1,672 @@
+city,population,lat,lon,region_name,federal_district,foundation_year,area
+Алейск,29,52.4922513,82.7793606,Алтайский край,Сибирский,1913,43.87
+Барнаул,632.4,53.3479968,83.7798064,Алтайский край,Сибирский,1730,322.01
+Белокуриха,15.2,51.996152,84.9839604,Алтайский край,Сибирский,1846,92.3
+Бийск,199.5,52.5393864,85.2138453,Алтайский край,Сибирский,1709,291.67
+Заринск,45.9,53.7063476,84.9315081,Алтайский край,Сибирский,1748,79.16
+Камень-на-Оби,40.5,53.7913974,81.3545053,Алтайский край,Сибирский,1751,48.79
+Рубцовск,141.6,51.5012067,81.2078695,Алтайский край,Сибирский,1892,84
+Яровое,18.1,52.9252146,78.5729775,Алтайский край,Сибирский,1943,44.38
+Белогорск,65.3,50.9213415,128.4739471,Амурская область,Дальневосточный,1860,117.6
+Благовещенск,226.4,50.290659,127.527198,Амурская область,Дальневосточный,1756,320.97
+Райчихинск,16.8,49.7941615,129.4112492,Амурская область,Дальневосточный,1932,388
+Тында,33.2,55.1546441,124.7468904,Амурская область,Дальневосточный,1907,34
+Шимановск,18.6,52.0051886,127.7005458,Амурская область,Дальневосточный,1910,50
+Архангельск,347,64.5394289,40.5169606,Архангельская область,Северо-Западный,1584,294.42
+Вельск,22.3,61.066,42.1032789,Архангельская область,Северо-Западный,1137,26.5
+Коряжма,35.7,61.2885948,47.1003015,Архангельская область,Северо-Западный,1535,50.11
+Котлас,62,61.2528972,46.633242,Архангельская область,Северо-Западный,1617,68.039
+Мирный,32.9,62.7645265,40.3360076,Архангельская область,Северо-Западный,1955,50.8
+Нарьян-Мар,25.1,67.6377777777778,53.0066666666667,Архангельская область,Северо-Западный,1929,19.53
+Няндома,19.1,61.6654674,40.2062947,Архангельская область,Северо-Западный,1898,21
+Северодвинск,182,64.5625385,39.8180934,Архангельская область,Северо-Западный,1936,120.51
+Астрахань,529.8,46.3655652,48.0559236,Астраханская область,Южный,1558,208.7
+Ахтубинск,36.5,48.2752034,46.1906462,Астраханская область,Южный,1768,17
+Камызяк,15.7,46.110579,48.07333,Астраханская область,Южный,1560,24.08
+Харабали,17.5,47.408999,47.2525345,Астраханская область,Южный,1789,36
+Белгород,394.1,50.5976472,36.5856652,Белгородская область,Центральный,1596,153.1
+Валуйки,34.2,50.2111207,38.0998772,Белгородская область,Центральный,1593,34
+Новый Оскол,18.5,50.7633747,37.8775484,Белгородская область,Центральный,1637,23.63
+Старый Оскол,223.9,51.2967101,37.8350182,Белгородская область,Центральный,1593,200.8
+Шебекино,40.9,50.4004883,36.8877889,Белгородская область,Центральный,1713,41
+Брянск,402.7,53.2419535,34.3652146,Брянская область,Центральный,985,186.73
+Карачев,17.2,53.1296524,34.9888727,Брянская область,Центральный,1146,15
+Клинцы,63,52.7529119,32.233911,Брянская область,Центральный,1707,64
+Новозыбков,39.5,52.537173,31.9357991,Брянская область,Центральный,1701,31.5
+Почеп,16.4,52.9154851,33.4744058,Брянская область,Центральный,1447,20
+Стародуб,18.2,52.5852257,32.760403,Брянская область,Центральный,1080,21.73
+Унеча,22.8,52.8461199,32.6757629,Брянская область,Центральный,1887,15
+Александров,57.9,56.391819,38.7111123,Владимирская область,Центральный,1300,26.16
+Владимир,356.9,56.1280804,40.4084376,Владимирская область,Центральный,990,137.14
+Вязники,34.5,56.29773,42.2687398,Владимирская область,Центральный,1608,40.75
+Гусь-Хрустальный,52.8,55.6198751,40.6579929,Владимирская область,Центральный,1756,43
+Киржач,26.7,56.1486863,38.8635701,Владимирская область,Центральный,1332,30.03
+Ковров,135.7,56.3554349,41.3170576,Владимирская область,Центральный,1100,57.4
+Кольчугино,42,56.3327254,39.391336,Владимирская область,Центральный,1871,31
+Муром,107,55.5630311,42.0231362,Владимирская область,Центральный,862,43.78
+Радужный,18.3,55.9960277,40.3321855,Владимирская область,Центральный,1971,113.2
+Собинка,17.3,55.9939169,40.0179653,Владимирская область,Центральный,1858,19.68
+Юрьев-Польский,18.1,56.4937757,39.6680539,Владимирская область,Центральный,1152,10
+Волгоград,1009,48.7070042,44.5170339,Волгоградская область,Южный,1589,859.353
+Волжский,323.9,48.7978209,44.7462538,Волгоградская область,Южный,1951,150
+Жирновск,15.5,50.9768814,44.7858202,Волгоградская область,Южный,1700,27
+Калач-на-Дону,23.6,48.6889024,43.5306303,Волгоградская область,Южный,1708,18
+Камышин,109.9,50.0651529,45.3844202,Волгоградская область,Южный,1668,81
+Котельниково,20.4,47.6310259,43.1330872,Волгоградская область,Южный,1897,40
+Краснослободск,17.1,48.7068721,44.5630857,Волгоградская область,Южный,1870,84
+Суровикино,18.2,48.618917,42.8541163,Волгоградская область,Южный,1744,33.433
+Урюпинск,36.7,50.7903789,42.0288513,Волгоградская область,Южный,1618,39.32
+Фролово,36.2,49.7649148,43.6648641,Волгоградская область,Южный,1859,60
+Великий Устюг,31,60.7603913,46.3054414,Вологодская область,Северо-Западный,1147,17
+Вологда,310.3,59.2483905,39.8355662,Вологодская область,Северо-Западный,1147,116
+Череповец,314.8,59.1269212,37.9090497,Вологодская область,Северо-Западный,1777,131
+Борисоглебск,59.9,51.3655754,42.1008334,Воронежская область,Центральный,1698,55.26
+Бутурлиновка,24,50.8311818,40.5976923,Воронежская область,Центральный,1740,37.72
+Воронеж,1058.3,51.6593332,39.1969229,Воронежская область,Центральный,1586,596.51
+Лиски,53.5,50.9945626,39.5184909,Воронежская область,Центральный,1500,64.77
+Нововоронеж,31.5,51.3091524,39.2162843,Воронежская область,Центральный,1957,46.13
+Острогожск,31.8,50.8677905,39.0407746,Воронежская область,Центральный,1652,22
+Павловск,24.5,50.453455,40.136874,Воронежская область,Центральный,1709,8.22
+Поворино,16.7,51.1954419,42.2472726,Воронежская область,Центральный,1870,18
+Россошь,62.6,50.1701949,39.6226965,Воронежская область,Центральный,1600,59.06
+Семилуки,27,51.6951644,39.0190454,Воронежская область,Центральный,1615,14
+Биробиджан,71.8,48.7946446,132.9217207,Еврейская автономная область,Дальневосточный,1915,169.38
+Борзя,29.2,50.3876058,116.5234779,Забайкальский край,Дальневосточный,1899,184
+Краснокаменск,51.4,50.0929703,118.0323936,Забайкальский край,Дальневосточный,1967,73
+Петровск-Забайкальский,15.8,51.2748592,108.846681,Забайкальский край,Дальневосточный,1789,300
+Чита,351.8,52.0340142,113.4994,Забайкальский край,Дальневосточный,1653,539
+Вичуга,33.3,57.2044698,41.9132201,Ивановская область,Центральный,1925,30
+Иваново,404.6,56.9993792,40.9728272,Ивановская область,Центральный,1561,104.84
+Кинешма,81,57.4425463,42.168914,Ивановская область,Центральный,1429,49
+Кохма,30.2,56.9324606,41.0931657,Ивановская область,Центральный,1619,12.6
+Приволжск,15.3,57.3805743,41.2808565,Ивановская область,Центральный,1484,16
+Тейково,31.8,56.8542719,40.5353874,Ивановская область,Центральный,1600,26.8
+Шуя,57,56.8560234,41.3800939,Ивановская область,Центральный,1394,33.29
+Ангарск,224.6,52.544879,103.888543,Иркутская область,Сибирский,1948,294
+Братск,226.3,56.1513108,101.6340035,Иркутская область,Сибирский,1631,262.94
+Вихоревка,20.8,56.1208145,101.1702926,Иркутская область,Сибирский,1947,15
+Железногорск-Илимский,22.9,56.5847888,104.114275,Иркутская область,Сибирский,1948,102
+Иркутск,623.6,52.2864036,104.2807466,Иркутская область,Сибирский,1661,279.98
+Нижнеудинск,33.6,54.8968931,99.0314056,Иркутская область,Сибирский,1648,75
+Саянск,38.8,54.1107238,102.18015,Иркутская область,Сибирский,1970,83
+Тайшет,32.7,55.9405334,98.0030145,Иркутская область,Сибирский,1897,75.72
+Тулун,39.7,54.557162,100.5780603,Иркутская область,Сибирский,1735,128
+Усолье-Сибирское,76,52.7565808,103.6388109,Иркутская область,Сибирский,1669,74
+Усть-Илимск,80.4,57.9430504,102.7415734,Иркутская область,Сибирский,1966,206.285
+Усть-Кут,40.8,56.7928178,105.7757343,Иркутская область,Сибирский,1631,56
+Черемхово,50.1,53.1369095,103.0901268,Иркутская область,Сибирский,1772,113.99
+Нальчик,239.6,43.4845464,43.60713,Кабардино-Балкарская Республика,Северо-Кавказский,1724,67
+Нарткала,30.6,43.5578075,43.8575925,Кабардино-Балкарская Республика,Северо-Кавказский,1913,9.45
+Прохладный,58.2,43.7589602,44.0102409,Кабардино-Балкарская Республика,Северо-Кавказский,1765,35.08
+Тырныауз,20.6,43.3981585,42.9213582,Кабардино-Балкарская Республика,Северо-Кавказский,1934,61.8
+Чегем,18.4,43.5671525,43.5865792,Кабардино-Балкарская Республика,Северо-Кавказский,1822,77.85
+Балтийск,33.7,54.6513372,19.9140572,Калининградская область,Северо-Западный,1626,49.1
+Гурьевск,19.3,54.770638,20.6039767,Калининградская область,Северо-Западный,1262,90
+Гусев,28.5,54.5915455,22.1942445,Калининградская область,Северо-Западный,1500,16.25
+Зеленоградск,16.5,54.9600185,20.4753652,Калининградская область,Северо-Западный,1252,17
+Калининград,489.3,54.7074702,20.5073241,Калининградская область,Северо-Западный,1255,224.7
+Черняховск,35.4,54.6244751,21.7969062,Калининградская область,Северо-Западный,1336,58
+Калуга,332,54.5059848,36.2516245,Калужская область,Центральный,1371,168.8
+Киров,29.9,54.0790111,34.3076201,Калужская область,Центральный,1744,36.48
+Козельск,16.4,54.0347201,35.780768,Калужская область,Центральный,1100,10
+Людиново,37.3,53.8700828,34.4385915,Калужская область,Центральный,1626,43
+Обнинск,117.4,55.0943144,36.6121639,Калужская область,Центральный,1946,50.15
+Вилючинск,22.2,52.9302415,158.4057632,Камчатский край,Дальневосточный,1968,341.24
+Елизово,39.3,53.1830375,158.3883548,Камчатский край,Дальневосточный,1848,70
+Петропавловск-Камчатский,179.6,53.036908,158.6559254,Камчатский край,Дальневосточный,1740,362.14
+Карачаевск,20.8,43.7732525,41.9143472,Карачаево-Черкесская Республика,Северо-Кавказский,1926,11.84
+Черкесск,123.2,44.2269425,42.0466704,Карачаево-Черкесская Республика,Северо-Кавказский,1825,69.8
+Анжеро-Судженск,68.1,56.0786281,86.0201278,Кемеровская область - Кузбасс,Сибирский,1896,106.03
+Белово,71.2,54.4220968,86.3037373,Кемеровская область - Кузбасс,Сибирский,1726,92
+Гурьевск,22.4,54.2859263,85.9475985,Кемеровская область - Кузбасс,Сибирский,1816,90
+Калтан,20.4,53.5210919,87.2771636,Кемеровская область - Кузбасс,Сибирский,1946,32.36
+Кемерово,556.4,55.3910651,86.0467781,Кемеровская область - Кузбасс,Сибирский,1701,294.8
+Киселевск,86.6,54.0059999,86.6366116,Кемеровская область - Кузбасс,Сибирский,1917,160
+Ленинск-Кузнецкий,94.4,54.6674492,86.1797324,Кемеровская область - Кузбасс,Сибирский,1763,128
+Мариинск,37.9,56.2127383,87.7454924,Кемеровская область - Кузбасс,Сибирский,1698,57.2
+Междуреченск,96.3,53.6865289,88.0702754,Кемеровская область - Кузбасс,Сибирский,1946,332.56
+Мыски,40.8,53.7125695,87.8055646,Кемеровская область - Кузбасс,Сибирский,1826,108.7
+Новокузнецк,549.4,53.794315,87.2142745,Кемеровская область - Кузбасс,Сибирский,1618,424.27
+Осинники,41.7,53.5988055,87.3371272,Кемеровская область - Кузбасс,Сибирский,1926,81
+Полысаево,25.9,54.6055,86.2809208,Кемеровская область - Кузбасс,Сибирский,1952,49.295
+Прокопьевск,190.3,53.8604265,86.7183577,Кемеровская область - Кузбасс,Сибирский,1650,227.5
+Таштагол,22.9,52.759313,87.8476546,Кемеровская область - Кузбасс,Сибирский,1939,79
+Топки,27.8,55.2764707,85.6152619,Кемеровская область - Кузбасс,Сибирский,1914,51.7
+Юрга,80.8,55.7202694,84.8886399,Кемеровская область - Кузбасс,Сибирский,1886,44.8
+Вятские Поляны,31.9,56.2284817,51.0614855,Кировская область,Приволжский,1596,28.34
+Киров,518.3,58.6035264,49.6679304,Кировская область,Приволжский,1181,169.73
+Кирово-Чепецк,69.8,58.5559424,50.0316848,Кировская область,Приволжский,1935,53.36
+Котельнич,22.9,58.3034832,48.3475597,Кировская область,Приволжский,1143,29.2
+Омутнинск,21.6,58.6698913,52.1894564,Кировская область,Приволжский,1773,45
+Слободской,31.9,58.7311574,50.1669249,Кировская область,Приволжский,1505,49.6
+Яранск,15.5,57.3040326,47.8478737,Кировская область,Приволжский,1584,18
+Волгореченск,16.3,57.4424559,41.1594201,Костромская область,Центральный,1964,17.83
+Кострома,276.9,57.768,40.927,Костромская область,Центральный,1152,144.5
+Шарья,23.5,58.3760542,45.4062414,Костромская область,Центральный,1906,25.3
+Абинск,39.1,44.8679655,38.1618157,Краснодарский край,Южный,1863,22
+Анапа,88.9,44.8950433,37.3163282,Краснодарский край,Южный,1781,58.983
+Апшеронск,39.5,44.4584006,39.7299824,Краснодарский край,Южный,1863,28
+Армавир,189,45.0012149,41.1324168,Краснодарский край,Южный,1839,280
+Белореченск,51.6,44.7651876,39.8781494,Краснодарский край,Южный,1862,38.48
+Геленджик,76.8,44.5630007,38.0790852,Краснодарский край,Южный,1831,27.9
+Горячий Ключ,40.3,44.6344864,39.1354738,Краснодарский край,Южный,1868,20.77
+Гулькевичи,34.3,45.3605121,40.6918389,Краснодарский край,Южный,1875,20.84
+Ейск,83.1,46.71157,38.2763895,Краснодарский край,Южный,1848,144
+Краснодар,932.6,45.0401604,38.9759647,Краснодарский край,Южный,1793,339.31
+Крымск,57.9,44.9344404,37.9855795,Краснодарский край,Южный,1862,91.76
+Курганинск,48.2,44.8877025,40.5913245,Краснодарский край,Южный,1855,43.97
+Лабинск,59.3,44.6354363,40.7245341,Краснодарский край,Южный,1841,46.41
+Новокубанск,35.2,45.1038699,41.0475175,Краснодарский край,Южный,1867,27.97
+Новороссийск,275,44.7235026,37.7686135,Краснодарский край,Южный,1838,81.1
+Приморско-Ахтарск,32.3,46.0515432,38.1704875,Краснодарский край,Южный,1854,18.69
+Славянск-на-Кубани,67.9,45.2603626,38.1259774,Краснодарский край,Южный,1865,43.5
+Сочи,443.6,43.5854551,39.7231548,Краснодарский край,Южный,1838,176.77
+Темрюк,41.4,45.2610949,37.4454412,Краснодарский край,Южный,1860,20.1
+Тимашевск,50.8,45.615923,38.9351837,Краснодарский край,Южный,1794,30
+Тихорецк,57.1,45.8546345,40.1260267,Краснодарский край,Южный,1895,78.05
+Туапсе,61.2,44.1105335,39.0824904,Краснодарский край,Южный,1838,33.41
+Усть-Лабинск,39.5,45.2227359,39.6929577,Краснодарский край,Южный,1794,37.15
+Хадыженск,22.2,44.4122963,39.5320258,Краснодарский край,Южный,1864,17
+Ачинск,105.5,56.253907,90.4794397,Красноярский край,Сибирский,1683,103.21
+Боготол,19.6,56.2098468,89.5299336,Красноярский край,Сибирский,1893,62.81
+Дивногорск,29.2,55.9576784,92.3800687,Красноярский край,Сибирский,1956,56.6
+Дудинка,20.8,69.4031364,86.1907218,Красноярский край,Сибирский,1667,10.5
+Енисейск,17.8,58.4485261,92.1651083,Красноярский край,Сибирский,1619,66.41
+Железногорск (Красноярский край),82.6,56.2529035,93.532273,Красноярский край,Сибирский,1957,456.6
+Железногорск (Курская обл.),100.4,52.3380202,35.3516867,Курская область,Центральный,1950,112
+Зеленогорск,61.6,56.1131564,94.5888103,Красноярский край,Сибирский,1956,162
+Кодинск,15.7,58.6032644,99.1797962,Красноярский край,Сибирский,1977,27
+Красноярск,1093.8,56.0093879,92.8524806,Красноярский край,Сибирский,1628,379.5
+Лесосибирск,59.3,58.221681,92.5037872,Красноярский край,Сибирский,1975,277
+Минусинск,67.9,53.7104586,91.6872907,Красноярский край,Сибирский,1739,60.5
+Норильск,181.8,69.3489978,88.2009846,Красноярский край,Сибирский,1935,30.14
+Ужур,15.3,55.3141969,89.8333918,Красноярский край,Сибирский,1760,38.9
+Шарыпово,36.7,55.5389739,89.1801044,Красноярский край,Сибирский,1700,30
+Курган,312.4,55.4443883,65.3161963,Курганская область,Уральский,1679,394
+Шадринск,74.7,56.0870344,63.6297182,Курганская область,Уральский,1662,171.5324
+Курск,453,51.7303637,36.1925603,Курская область,Центральный,1032,208.2
+Курчатов,38.1,51.6604083,35.6572224,Курская область,Центральный,1968,56.5
+Льгов,18.1,51.6597148,35.2612491,Курская область,Центральный,1152,37.4
+Бокситогорск,15.1,59.4734797,33.845688,Ленинградская область,Северо-Западный,1929,13
+Волхов,44.3,59.9005958,32.3520756,Ленинградская область,Северо-Западный,1918,108
+Всеволожск,74.7,60.0191278,30.6456718,Ленинградская область,Северо-Западный,1892,62.264
+Выборг,75.4,60.7130801,28.7328336,Ленинградская область,Северо-Западный,1293,160.847
+Гатчина,91.7,59.565237,30.1282473,Ленинградская область,Северо-Западный,1499,28.75
+Кингисепп,45.2,59.3740435,28.6112444,Ленинградская область,Северо-Западный,1384,44.03
+Кириши,50.5,59.4742862,32.0624947,Ленинградская область,Северо-Западный,1693,63.34
+Кировск,26.9,59.8754216,30.981364,Ленинградская область,Северо-Западный,1931,84.9
+Кудрово,41.1,59.9075226,30.5121008,Ленинградская область,Северо-Западный,1926,5
+Луга,34.6,58.7374031,29.8465776,Ленинградская область,Северо-Западный,1777,13
+Мурино,64.9,60.044862,30.4571456,Ленинградская область,Северо-Западный,1676,13.36
+Пикалево,19.7,59.5132022,34.1772776,Ленинградская область,Северо-Западный,1927,38
+Подпорожье,16.7,60.9127549,34.1567664,Ленинградская область,Северо-Западный,1936,30
+Приозерск,17.8,61.0330896,30.1587851,Ленинградская область,Северо-Западный,1100,16.5
+Светогорск,15.2,61.1111282,28.8725865,Ленинградская область,Северо-Западный,1887,49.54
+Сертолово,56.6,60.1446932,30.2095918,Ленинградская область,Северо-Западный,1936,27.49
+Сланцы,32.2,59.1178185,28.0881475,Ленинградская область,Северо-Западный,1934,36
+Сосновый Бор,67.7,59.8772884,29.1291619,Ленинградская область,Северо-Западный,1958,88
+Тихвин,58.1,59.6272904,33.5072731,Ленинградская область,Северо-Западный,1383,25.4
+Грязи,46.7,52.4874097,39.9331142,Липецкая область,Центральный,1868,33
+Данков,18.7,53.2577411,39.1456184,Липецкая область,Центральный,1563,21
+Елец,102.3,52.6152411,38.5289342,Липецкая область,Центральный,1146,71
+Липецк,508.6,52.610249,39.5947883,Липецкая область,Центральный,1703,330.15
+Магадан,92.1,59.5681332,150.8084956,Магаданская область,Дальневосточный,1929,295
+Москва,12655.1,55.7540471,37.620405,Москва,Центральный,1147,2561.5
+Апрелевка,30.7,55.5276918,37.065143,Московская область,Центральный,1899,29
+Балашиха,507.4,55.796389,37.938283,Московская область,Центральный,1830,67.4848
+Бронницы,22.5,55.4255379,38.264145,Московская область,Центральный,1453,22.16
+Видное,77,55.551725,37.7061984,Московская область,Центральный,1949,16.1
+Волоколамск,18.4,56.0356499,35.9585112,Московская область,Центральный,1135,30
+Воскресенск,92.9,55.3071519,38.7027953,Московская область,Центральный,1862,38.78
+Голицыно,17.5,55.6190582,36.9856793,Московская область,Центральный,1872,20
+Дедовск,30.5,55.8703276,37.1245043,Московская область,Центральный,1911,7
+Дзержинский,56.4,55.6240869,37.8440276,Московская область,Центральный,1380,16
+Дмитров,68.8,56.3477457,37.526672,Московская область,Центральный,1154,26
+Долгопрудный,116,55.9385999,37.5101021,Московская область,Центральный,1931,30.52
+Дубна,75,56.741786,37.1757223,Московская область,Центральный,1956,63.15
+Егорьевск,72.8,55.3830113,39.0358317,Московская область,Центральный,1462,29
+Жуковский,107.6,55.599803,38.1224298,Московская область,Центральный,1935,47.29
+Зарайск,22.8,54.762456,38.8850978,Московская область,Центральный,1146,20.5
+Звенигород,22.3,55.7297089,36.8554029,Московская область,Центральный,1152,48.1
+Ивантеевка,81.3,55.9741665,37.9207539,Московская область,Центральный,1564,14.59
+Кашира,47.4,54.853337,38.1904392,Московская область,Центральный,1356,26.35
+Клин,79.7,56.3425605,36.7240032,Московская область,Центральный,1317,42
+Коломна,140.1,55.102814,38.7531002,Московская область,Центральный,1177,65.1
+Королев,225.9,55.9161773,37.8545415,Московская область,Центральный,1938,36
+Котельники,49,55.6597925,37.8631156,Московская область,Центральный,1600,14.24
+Красноармейск,26.3,56.105426,38.140838,Московская область,Центральный,1928,156.43
+Красногорск,175.6,55.8317203,37.3295266,Московская область,Центральный,1932,25.65
+Кубинка,20.1,55.5754955,36.6951995,Московская область,Центральный,1400,4
+Куровское,20.6,55.5792277,38.9207723,Московская область,Центральный,1646,9
+Ликино-Дулево,28.8,55.7078257,38.9578093,Московская область,Центральный,1930,14
+Лобня,90.2,56.0328881,37.4614035,Московская область,Центральный,1902,31.56
+Лосино-Петровский,25.4,55.8713214,38.200599,Московская область,Центральный,1708,9.16
+Луховицы,30.4,54.9652077,39.0260266,Московская область,Центральный,1594,16.1
+Лыткарино,59.2,55.5778163,37.9033507,Московская область,Центральный,1429,17.29
+Люберцы,205.3,55.7003989,37.9606238,Московская область,Центральный,1623,12.87
+Можайск,30.1,55.5069259,36.024043,Московская область,Центральный,1231,17.8
+Мытищи,235.5,55.9105782,37.7363579,Московская область,Центральный,1460,34.59
+Наро-Фоминск,64.9,55.386185,36.734484,Московская область,Центральный,1840,22
+Ногинск,104,55.8686133,38.4622104,Московская область,Центральный,1389,43.348
+Одинцово,135.5,55.6789455,37.263686,Московская область,Центральный,1470,19.6
+Озеры,24.7,54.8541006,38.5599196,Московская область,Центральный,1834,12
+Орехово-Зуево,118.3,55.8151421,38.9869822,Московская область,Центральный,1917,36.38
+Павловский Посад,63.6,55.7807244,38.6596983,Московская область,Центральный,1328,39
+Подольск,308.1,55.4389322,37.5703482,Московская область,Центральный,1559,40.39
+Протвино,35.4,54.8705984,37.2182749,Московская область,Центральный,1960,26.69
+Пушкино,107.6,56.0103638,37.8471403,Московская область,Центральный,1499,60.33
+Пущино,20.7,54.8324412,37.6210346,Московская область,Центральный,1956,18.23
+Раменское,121.9,55.5495132,38.2728914,Московская область,Центральный,1328,59.46
+Рошаль,20,55.6632776,39.8656147,Московская область,Центральный,1916,35
+Сергиев Посад,100.3,56.3062548,38.1502661,Московская область,Центральный,1337,50.4
+Серпухов,126.3,54.9226466,37.4033859,Московская область,Центральный,1339,32.1
+Солнечногорск,50.2,56.185102,36.977631,Московская область,Центральный,1700,21
+Старая Купавна,24.2,55.810648,38.175624,Московская область,Центральный,1300,10.62
+Ступино,65.9,54.886274,38.078228,Московская область,Центральный,1938,35.5
+Фрязино,59.5,55.9590588,38.0410235,Московская область,Центральный,1584,9
+Химки,259.6,55.888657,37.4303702,Московская область,Центральный,1850,109.8
+Хотьково,21.3,56.2516982,37.9396017,Московская область,Центральный,1308,11
+Черноголовка,21.3,56.0100707,38.3792047,Московская область,Центральный,1710,2.023
+Чехов,72.3,55.1508011,37.4533252,Московская область,Центральный,1175,23
+Шатура,32,55.5777427,39.5445712,Московская область,Центральный,1423,36
+Щелково,126.1,55.9233801,37.9783707,Московская область,Центральный,1500,52
+Электрогорск,22.7,55.8780241,38.7806752,Московская область,Центральный,1912,39.81
+Электросталь,156,55.7847291,38.4447045,Московская область,Центральный,1916,51.45
+Электроугли,21.3,55.7170877,38.2192563,Московская область,Центральный,1899,4.5
+Апатиты,54.7,67.5677761,33.4067929,Мурманская область,Северо-Западный,1926,37.5
+Кандалакша,30.4,67.1567974,32.4143218,Мурманская область,Северо-Западный,1517,31
+Кировск,26,67.6150424,33.663735,Мурманская область,Северо-Западный,1929,84.9
+Ковдор,16.3,67.5661417,30.4741941,Мурманская область,Северо-Западный,1953,8
+Мончегорск,41.2,67.9386153,32.9359719,Мурманская область,Северо-Западный,1937,36.5
+Мурманск,287.8,69.007721,33.0685865,Мурманская область,Северо-Западный,1916,168.14
+Оленегорск,20.3,68.1422058,33.2669407,Мурманская область,Северо-Западный,1949,38.8
+Полярный,17.5,69.1989583,33.4508591,Мурманская область,Северо-Западный,1896,358.05
+Североморск,53.6,69.0766801,33.4177759,Мурманская область,Северо-Западный,1896,60
+Арзамас,104,55.3945814,43.8408141,Нижегородская область,Приволжский,1552,34.32
+Балахна,48.5,56.495036,43.5758423,Нижегородская область,Приволжский,1474,48
+Бор,76.9,56.3565458,44.0646481,Нижегородская область,Приволжский,1300,147
+Выкса,53,55.3207727,42.1678834,Нижегородская область,Приволжский,1500,34
+Городец,29.7,56.6449218,43.4723104,Нижегородская область,Приволжский,1152,124.2
+Дзержинск,229,56.2376047,43.4599416,Нижегородская область,Приволжский,1606,421
+Кстово,67.8,56.1432084,44.1664198,Нижегородская область,Приволжский,1300,59
+Кулебаки,31.8,55.4296181,42.5125538,Нижегородская область,Приволжский,1677,14
+Лысково,21.1,56.0262359,45.035771,Нижегородская область,Приволжский,1410,12
+Нижний Новгород,1252.2,56.3240627,44.0053913,Нижегородская область,Приволжский,1221,410
+Павлово,56.7,55.9797564,43.0995042,Нижегородская область,Приволжский,1566,39
+Саров,96.1,54.9228268,43.3448089,Нижегородская область,Приволжский,1691,249
+Сергач,19.9,55.5201515,45.4813231,Нижегородская область,Приволжский,1649,20
+Шахунья,19.7,57.6764293,46.6129009,Нижегородская область,Приволжский,1912,18
+Боровичи,49,58.3840197,33.9175929,Новгородская область,Северо-Западный,1400,45
+Великий Новгород,224.9,58.5213846,31.2755394,Новгородская область,Северо-Западный,930,90.08
+Старая Русса,27.7,57.990737,31.3554897,Новгородская область,Северо-Западный,1167,18.54
+Барабинск,28.7,55.35146,78.3464506,Новосибирская область,Сибирский,1893,69.48
+Бердск,104.3,54.7582156,83.1070605,Новосибирская область,Сибирский,1716,67
+Болотное,15.5,55.6692421,84.3906889,Новосибирская область,Сибирский,1805,59
+Искитим,56,54.6267603,83.2951244,Новосибирская область,Сибирский,1717,29.9
+Куйбышев,43.5,55.4685094,78.3242048,Новосибирская область,Сибирский,1722,109.73
+Новосибирск,1625.6,55.028191,82.9211489,Новосибирская область,Сибирский,1893,502.7
+Обь,29.9,54.9945576,82.6937181,Новосибирская область,Сибирский,1934,22
+Татарск,23.4,55.2146167,75.9739914,Новосибирская область,Сибирский,1894,80
+Тогучин,20.8,55.2251631,84.4104118,Новосибирская область,Сибирский,1867,81
+Черепаново,19.1,54.2206476,83.3724521,Новосибирская область,Сибирский,1912,20
+Исилькуль,22.4,54.9096002,71.2816284,Омская область,Сибирский,1895,39
+Калачинск,22.6,55.0598155,74.5653644,Омская область,Сибирский,1952,24
+Омск,1154.5,54.9848566,73.3674517,Омская область,Сибирский,1716,566.9
+Абдулино,18.6,53.6778906,53.6472483,Оренбургская область,Приволжский,1795,47
+Бугуруслан,48.5,53.6523728,52.4326853,Оренбургская область,Приволжский,1748,76
+Бузулук,86.1,52.7881277,52.2624877,Оренбургская область,Приволжский,1736,54
+Гай,33.8,51.4649189,58.4436875,Оренбургская область,Приволжский,1959,62.14
+Кувандык,23.3,51.4783857,57.3612636,Оренбургская область,Приволжский,1800,42.06
+Медногорск,24.6,51.4037617,57.583163,Оренбургская область,Приволжский,1933,91.33
+Новотроицк,83.7,51.1964202,58.3018192,Оренбургская область,Приволжский,1920,352.34
+Оренбург,572.2,51.7875092,55.1018828,Оренбургская область,Приволжский,1743,258.57
+Орск,226.5,51.2294282,58.4752777,Оренбургская область,Приволжский,1735,621.33
+Соль-Илецк,26.9,51.1633736,54.9896726,Оренбургская область,Приволжский,1754,180
+Сорочинск,27.1,52.426685,53.1542745,Оренбургская область,Приволжский,1737,55.93
+Ясный,15.3,51.036838,59.874344,Оренбургская область,Приволжский,1961,67
+Ливны,47.2,52.4284558,37.6039506,Орловская область,Центральный,1586,32.1
+Мценск,36.6,53.2788438,36.5749105,Орловская область,Центральный,1146,20.81
+Орел,308.8,52.9671298,36.0696427,Орловская область,Центральный,1566,121
+Заречный,65.5,53.1960836,45.1689907,Пензенская область,Приволжский,1958,29
+Кузнецк,80.5,53.1130888,46.605092,Пензенская область,Приволжский,1699,42.08
+Нижний Ломов,20.5,53.5300905,43.6730217,Пензенская область,Приволжский,1636,14
+Пенза,520.3,53.1753314,45.0348625,Пензенская область,Приволжский,1663,304.56
+Сердобск,30.9,52.4697595,44.2122414,Пензенская область,Приволжский,1698,42
+Березники,139.2,59.4079923,56.8039427,Пермский край,Приволжский,1623,431.1
+Губаха,19.1,58.8371721,57.554533,Пермский край,Приволжский,1755,58
+Краснокамск,52.5,58.0822065,55.7479936,Пермский край,Приволжский,1929,95.8
+Кудымкар,30.4,59.0167925,54.6572508,Пермский край,Приволжский,1579,25.3
+Кунгур,64.9,57.4283296,56.9438656,Пермский край,Приволжский,1663,68.7
+Лысьва,60.3,58.0995875,57.8086825,Пермский край,Приволжский,1785,26.44
+Пермь,1055.4,58.0102583,56.2342034,Пермский край,Приволжский,1723,800.5
+Соликамск,92.6,59.6482998,56.771009,Пермский край,Приволжский,1430,166.55
+Чайковский,82.4,56.7781501,54.1477965,Пермский край,Приволжский,1955,64
+Чернушка,33.1,56.5160768,56.0763049,Пермский край,Приволжский,1854,28
+Чусовой,43.7,58.2974596,57.8193615,Пермский край,Приволжский,1878,58
+Арсеньев,52.2,44.1622031,133.2696209,Приморский край,Дальневосточный,1902,39.37
+Артем,105.7,43.3501675,132.1596175,Приморский край,Дальневосточный,1908,122.58
+Большой Камень,39.1,43.1111742,132.3480082,Приморский край,Дальневосточный,1947,119.8
+Владивосток,606.6,43.1164904,131.8823937,Приморский край,Дальневосточный,1860,325.99
+Дальнегорск,34.1,44.5539457,135.5662716,Приморский край,Дальневосточный,1897,31
+Дальнереченск,25.1,45.9308483,133.7316907,Приморский край,Дальневосточный,1859,108.49
+Лесозаводск,35.1,45.4780092,133.4186199,Приморский край,Дальневосточный,1932,71
+Находка,145.2,42.8239372,132.8927361,Приморский край,Дальневосточный,1864,325.9
+Партизанск,36.6,43.1280578,133.1264567,Приморский край,Дальневосточный,1896,126
+Уссурийск,173.6,43.7971818,131.9518229,Приморский край,Дальневосточный,1866,173
+Фокино,22.9,42.9706317,132.4110196,Приморский край,Дальневосточный,1899,24
+Великие Луки,90.9,56.332208,30.5508641,Псковская область,Северо-Западный,1166,60.08
+Псков,210.3,57.8194415,28.3317198,Псковская область,Северо-Западный,903,95
+Майкоп,141.5,44.6098268,40.1006606,Республика Адыгея,Южный,1857,69.64
+Горно-Алтайск,64.5,51.9581028,85.9603235,Республика Алтай,Сибирский,1830,95.5
+Баймак,17.2,52.5912896,58.3110998,Республика Башкортостан,Приволжский,1850,139
+Белебей,59.2,54.1034582,54.1113129,Республика Башкортостан,Приволжский,1757,34.26
+Белорецк,64.9,53.9676488,58.4100419,Республика Башкортостан,Приволжский,1762,41
+Бирск,46.5,55.4155753,55.5582214,Республика Башкортостан,Приволжский,1663,77.31
+Благовещенск,34.8,55.0499867,55.9553186,Республика Башкортостан,Приволжский,1856,65
+Ишимбай,64.4,53.4545764,56.0438751,Республика Башкортостан,Приволжский,1932,103.47
+Кумертау,59.5,52.7564939,55.7970197,Республика Башкортостан,Приволжский,1947,170
+Мелеуз,56.7,52.9589532,55.9282838,Республика Башкортостан,Приволжский,1766,32
+Нефтекамск,131.1,56.088377,54.2483061,Республика Башкортостан,Приволжский,1957,147.25
+Салават,150.5,53.3616974,55.9245224,Республика Башкортостан,Приволжский,1948,106.23
+Сибай,60.8,52.7204651,58.6663783,Республика Башкортостан,Приволжский,1925,157.4
+Стерлитамак,276.4,53.6300864,55.9317089,Республика Башкортостан,Приволжский,1766,108.52
+Туймазы,68.2,54.5999224,53.6950623,Республика Башкортостан,Приволжский,1912,43
+Уфа,1128.8,54.734944,55.9578468,Республика Башкортостан,Приволжский,1574,708
+Учалы,37.9,54.3067375,59.4125461,Республика Башкортостан,Приволжский,1750,56
+Янаул,25.1,56.2650146,54.929907,Республика Башкортостан,Приволжский,1730,26
+Кяхта,20.3,50.346543,106.4533516,Республика Бурятия,Дальневосточный,1727,28
+Северобайкальск,23.2,55.635614,109.3361505,Республика Бурятия,Дальневосточный,1974,110.54
+Улан-Удэ,439.1,51.8335853,107.5842223,Республика Бурятия,Дальневосточный,1666,365.7
+Буйнакск,65.7,42.8214424,47.1165263,Республика Дагестан,Северо-Кавказский,1834,21
+Дагестанские Огни,29.7,42.1152296,48.1939354,Республика Дагестан,Северо-Кавказский,1914,9.27
+Дербент,125.8,42.058966,48.2907452,Республика Дагестан,Северо-Кавказский,438,69.63
+Избербаш,60.5,42.5650962,47.8710051,Республика Дагестан,Северо-Кавказский,1932,22
+Каспийск,124,42.8916007,47.6367066,Республика Дагестан,Северо-Кавказский,1932,36.92
+Кизилюрт,37.7,43.203825,46.8729636,Республика Дагестан,Северо-Кавказский,1927,50
+Кизляр,49.4,43.8484083,46.7233699,Республика Дагестан,Северо-Кавказский,1735,32.31
+Махачкала,603.5,42.9849159,47.5047181,Республика Дагестан,Северо-Кавказский,1844,592.72
+Хасавюрт,145.1,43.2504665,46.5851292,Республика Дагестан,Северо-Кавказский,1846,40
+Карабулак,42.7,43.3055248,44.9094582,Республика Ингушетия,Северо-Кавказский,1859,83.61
+Малгобек,38.6,43.5096646,44.5901963,Республика Ингушетия,Северо-Кавказский,1934,100.79
+Назрань,122.3,43.2257841,44.7645779,Республика Ингушетия,Северо-Кавказский,1781,118.28
+Сунжа,66.3,43.3204196,45.0476331,Республика Ингушетия,Северо-Кавказский,1845,23
+Элиста,103.1,46.3083344,44.2702088,Республика Калмыкия,Южный,1865,92.36
+Кондопога,29.2,62.2059817,34.2682122,Республика Карелия,Северо-Западный,1563,11
+Костомукша,29.6,64.5889398,30.6016832,Республика Карелия,Северо-Западный,1977,4
+Петрозаводск,281,61.7891264,34.3596434,Республика Карелия,Северо-Западный,1703,113.26
+Сегежа,26,63.7437572,34.3126982,Республика Карелия,Северо-Западный,1914,19
+Сортавала,18.8,61.703367,30.6916998,Республика Карелия,Северо-Западный,1468,10
+Воркута,52.8,67.4974082,64.061034,Республика Коми,Северо-Западный,1936,29.73
+Печора,38.2,65.148584,57.2239777,Республика Коми,Северо-Западный,1940,28.9
+Сосногорск,26,63.5989841,53.876293,Республика Коми,Северо-Западный,1939,24.9
+Сыктывкар,244.4,61.6686617,50.8358151,Республика Коми,Северо-Западный,1780,152
+Ухта,93.7,63.5565514,53.7014239,Республика Коми,Северо-Западный,1929,320
+Алушта,30,44.6764304,34.4100624,Республика Крым,Южный,500,6.983
+Армянск,21.4,46.1059307,33.6910012,Республика Крым,Южный,1736,16.2
+Бахчисарай,26.7,44.7514769,33.8752176,Республика Крым,Южный,1503,29.285
+Джанкой,38,45.7092306,34.3883372,Республика Крым,Южный,1842,26
+Евпатория,108.2,45.190629,33.367634,Республика Крым,Южный,0,43.1338
+Керчь,151.5,45.3562627,36.4674513,Республика Крым,Южный,0,109.161
+Красноперекопск,24.9,45.9537576,33.7921939,Республика Крым,Южный,1932,22.4198
+Саки,24.7,45.1341997,33.6033383,Республика Крым,Южный,1952,28.7
+Симферополь,342,44.9482948,34.1001151,Республика Крым,Южный,1784,107.4
+Судак,16.5,44.8504679,34.9762034,Республика Крым,Южный,212,23.4
+Феодосия,68,45.0318393,35.3824259,Республика Крым,Южный,0,33.301179
+Ялта,79,44.4953612,34.166308,Республика Крым,Южный,1154,15.6323
+Волжск,53.2,55.8623156,48.3715083,Республика Марий Эл,Приволжский,1933,39.47
+Йошкар-Ола,274.7,56.6343662,47.8999706,Республика Марий Эл,Приволжский,1584,100.39
+Козьмодемьянск,20.1,56.3334036,46.546675,Республика Марий Эл,Приволжский,1583,13.41
+Рузаевка,44.3,54.0581967,44.9490466,Республика Мордовия,Приволжский,1631,26.5
+Саранск,320.6,54.1809332,45.1862632,Республика Мордовия,Приволжский,1641,81.478
+Алдан,20.6,58.6094283,125.3817188,Республика Саха (Якутия),Дальневосточный,1924,33
+Ленск,23.2,60.7276196,114.9548255,Республика Саха (Якутия),Дальневосточный,1663,49
+Мирный,35.4,62.536232,113.9667728,Республика Саха (Якутия),Дальневосточный,1955,50.8
+Нерюнгри,57.9,56.6599953,124.7202403,Республика Саха (Якутия),Дальневосточный,1975,98.9
+Якутск,323,62.0281405,129.7325887,Республика Саха (Якутия),Дальневосточный,1632,122
+Алагир,19.7,43.0417684,44.2199715,Республика Северная Осетия – Алания,Северо-Кавказский,1850,26.76
+Беслан,37.4,43.1937529,44.5338707,Республика Северная Осетия – Алания,Северо-Кавказский,1847,23.17
+Владикавказ,303.6,43.020588,44.6819182,Республика Северная Осетия – Алания,Северо-Кавказский,1784,291.61
+Моздок,42,43.7471342,44.6569607,Республика Северная Осетия – Алания,Северо-Кавказский,1763,17.5
+Агрыз,19.7,56.5232864,52.9943775,Республика Татарстан,Приволжский,1646,8.6
+Азнакаево,34.2,54.8598642,53.0745527,Республика Татарстан,Приволжский,1762,15
+Альметьевск,158.4,54.9014619,52.2970467,Республика Татарстан,Приволжский,1700,118
+Арск,20.4,56.0912567,49.877067,Республика Татарстан,Приволжский,1200,19.27
+Бавлы,22.2,54.4062891,53.2458065,Республика Татарстан,Приволжский,1658,18.2
+Бугульма,82.5,54.5363495,52.7895849,Республика Татарстан,Приволжский,1736,27.87
+Елабуга,74,55.7567107,52.0543794,Республика Татарстан,Приволжский,1000,41.1
+Заинск,39.6,55.299053,52.0062972,Республика Татарстан,Приволжский,1656,25
+Зеленодольск,100,55.8466651,48.5010954,Республика Татарстан,Приволжский,1865,37.73
+Казань,1257.4,55.7943584,49.1114975,Республика Татарстан,Приволжский,1005,588.9844
+Лениногорск,61.7,54.5967034,52.4431906,Республика Татарстан,Приволжский,1795,24.65
+Мамадыш,15.9,55.7150413,51.4129016,Республика Татарстан,Приволжский,1391,15
+Менделеевск,22.1,55.895169,52.3143347,Республика Татарстан,Приволжский,1868,30.65
+Мензелинск,16.9,55.7270698,53.1003968,Республика Татарстан,Приволжский,1586,10
+Набережные Челны,533.8,55.7434619,52.3959165,Республика Татарстан,Приволжский,1626,161
+Нижнекамск,240,55.6313609,51.8144669,Республика Татарстан,Приволжский,1961,116
+Нурлат,32,54.4281461,50.8049337,Республика Татарстан,Приволжский,1905,22.6
+Чистополь,59.4,55.3699139,50.6285784,Республика Татарстан,Приволжский,1700,19.24
+Кызыл,119.4,51.7191047,94.4376882,Республика Тыва,Сибирский,1914,97.41
+Абакан,186.8,53.7223325,91.4436721,Республика Хакасия,Сибирский,1734,112.38
+Саяногорск,46,53.1008083,91.4122454,Республика Хакасия,Сибирский,1830,19
+Черногорск,75.4,53.8259342,91.3260229,Республика Хакасия,Сибирский,1936,117
+Азов,80.4,47.1121589,39.4232555,Ростовская область,Южный,1067,67.5
+Аксай,46,47.2676314,39.8756872,Ростовская область,Южный,1570,67.5
+Батайск,127.9,47.1383299,39.7507179,Ростовская область,Южный,1769,77.68
+Белая Калитва,39.3,48.1769737,40.8033529,Ростовская область,Южный,1703,22.1
+Волгодонск,171.4,47.5165338,42.1984951,Ростовская область,Южный,1950,182.3
+Гуково,63.2,48.0448904,39.9484672,Ростовская область,Южный,1878,40
+Донецк,46.7,48.3350706,39.945891,Ростовская область,Южный,1681,112
+Зверево,18,48.0435487,40.1265822,Ростовская область,Южный,1819,31.21
+Зерноград,24.1,46.8495958,40.312837,Ростовская область,Южный,1929,12.36
+Каменск-Шахтинский,87.8,48.3205326,40.2689583,Ростовская область,Южный,1671,159.99
+Константиновск,16.9,47.5773717,41.0967445,Ростовская область,Южный,1593,298
+Красный Сулин,37.6,47.8831311,40.0781298,Ростовская область,Южный,1797,93.6
+Миллерово,34.5,48.9260077,40.3984087,Ростовская область,Южный,1786,44.75
+Морозовск,24.6,48.3511807,41.8309225,Ростовская область,Южный,1910,26
+Новочеркасск,168,47.411919,40.1042098,Ростовская область,Южный,1805,128
+Новошахтинск,106.6,47.757773,39.9363697,Ростовская область,Южный,1910,136
+Ростов-на-Дону,1137.9,47.2224566,39.718803,Ростовская область,Южный,1749,348.5
+Сальск,56.8,46.4752095,41.5410415,Ростовская область,Южный,1812,43.883
+Семикаракорск,21.9,47.5177337,40.8114167,Ростовская область,Южный,1672,140
+Таганрог,248.6,47.2094917,38.9350989,Ростовская область,Южный,1698,95
+Шахты,230.3,47.7085287,40.2159846,Ростовская область,Южный,1805,158.2
+Касимов,29.2,54.9373475,41.3913211,Рязанская область,Центральный,1152,31.7
+Новомичуринск,16.5,54.0376572,39.74654,Рязанская область,Центральный,1968,26
+Рыбное,20.7,54.7256164,39.5134398,Рязанская область,Центральный,1597,15.36
+Ряжск,20.9,53.7067584,40.0522274,Рязанская область,Центральный,1502,21
+Рязань,539.3,54.6254445,39.7358609,Рязанская область,Центральный,1095,224.163
+Сасово,23.8,54.3508885,41.9117422,Рязанская область,Центральный,1642,23.79
+Скопин,25.7,53.823543,39.5492421,Рязанская область,Центральный,1676,30.9
+Жигулевск,51.6,53.4011981,49.4945176,Самарская область,Приволжский,1949,60.8
+Кинель,35.8,53.2210298,50.6343776,Самарская область,Приволжский,1837,36.75
+Новокуйбышевск,100.5,53.0994565,49.9477382,Самарская область,Приволжский,1946,86
+Отрадный,47.1,53.3800848,51.3438605,Самарская область,Приволжский,1920,10
+Похвистнево,27.9,53.6498299,52.1235156,Самарская область,Приволжский,1888,651.7829
+Самара,1156.7,53.1950306,50.1069518,Самарская область,Приволжский,1586,541.4
+Сызрань,167.1,53.1558674,48.4744629,Самарская область,Приволжский,1683,117
+Тольятти,699.4,53.5205348,49.3894028,Самарская область,Приволжский,1737,314.78
+Чапаевск,71.7,52.928961,49.8673269,Самарская область,Приволжский,1909,187.49
+Санкт-Петербург,5384.3,59.9391313,30.3159004,Санкт-Петербург,Северо-Западный,1703,1439
+Аткарск,24.1,51.8736062,45.0003247,Саратовская область,Приволжский,1700,10.54
+Балаково,187.5,52.0224231,47.7827765,Саратовская область,Приволжский,1762,79
+Балашов,75.8,51.5388697,43.1839757,Саратовская область,Приволжский,1600,72.9
+Вольск,61.9,52.0459865,47.3873595,Саратовская область,Приволжский,1780,148
+Ершов,18.8,51.3508505,48.2762226,Саратовская область,Приволжский,1893,21
+Калининск,15.6,51.4993591,44.4710435,Саратовская область,Приволжский,1680,24
+Красноармейск,22.3,51.023541,45.695044,Саратовская область,Приволжский,1928,156.43
+Новоузенск,15.1,50.455199,48.1413153,Саратовская область,Приволжский,1760,43
+Петровск,28.2,52.3094237,45.3851877,Саратовская область,Приволжский,1698,27
+Пугачев,40.6,52.0159921,48.7972223,Саратовская область,Приволжский,1764,79
+Ртищево,38.4,52.2616271,43.7842248,Саратовская область,Приволжский,1666,33
+Саратов,838,51.533557,46.034257,Саратовская область,Приволжский,1590,1490
+Энгельс,227,51.4854003,46.126722,Саратовская область,Приволжский,1747,113.77
+Оха,20,53.5867839,142.9412411,Сахалинская область,Дальневосточный,1908,20.98
+Поронайск,15.6,49.238866,143.1008333,Сахалинская область,Дальневосточный,1869,55
+Холмск,27.1,47.0408423,142.041688,Сахалинская область,Дальневосточный,1870,32
+Южно-Сахалинск,200.6,46.9591631,142.737976,Сахалинская область,Дальневосточный,1882,236.2
+Алапаевск,37.1,57.8475571,61.6693817,Свердловская область,Уральский,1639,95
+Арамиль,15.4,56.694632,60.8343125,Свердловская область,Уральский,1675,21.82
+Артемовский,30.1,57.3384177,61.8947443,Свердловская область,Уральский,1921,47
+Верхняя Пышма,72.7,56.9758903,60.5650383,Свердловская область,Уральский,1854,38.47
+Верхняя Салда,41.2,58.0465803,60.5560164,Свердловская область,Уральский,1778,72
+Дегтярск,15.6,56.7048206,60.079138,Свердловская область,Уральский,1914,19
+Екатеринбург,1493.7,56.8385216,60.6054911,Свердловская область,Уральский,1723,1110.69
+Заречный,27.9,56.8102931,61.3380029,Свердловская область,Уральский,1958,29
+Ивдель,15.4,60.6944496,60.4245069,Свердловская область,Уральский,1831,50
+Ирбит,36.5,57.6838362,63.057675,Свердловская область,Уральский,1631,64.23
+Каменск-Уральский,166.1,56.414962,61.9188674,Свердловская область,Уральский,1682,144.08
+Камышлов,25.8,56.8465034,62.7119766,Свердловская область,Уральский,1668,51.75
+Карпинск,25.9,59.7665925,60.0011703,Свердловская область,Уральский,1759,83
+Качканар,38.1,58.7051762,59.4839155,Свердловская область,Уральский,1957,317
+Кировград,18.7,57.4299433,60.0624051,Свердловская область,Уральский,1661,10
+Краснотурьинск,56.3,59.7636635,60.1934525,Свердловская область,Уральский,1758,309.5
+Красноуральск,22.5,58.348651,60.0408764,Свердловская область,Уральский,1925,21.7
+Красноуфимск,37.7,56.612387,57.7636637,Свердловская область,Уральский,1736,47
+Кушва,27.2,58.2826013,59.7645766,Свердловская область,Уральский,1735,50
+Невьянск,22.8,57.49131,60.2183429,Свердловская область,Уральский,1701,39.13
+Нижний Тагил,349,57.910126,59.9812853,Свердловская область,Уральский,1722,297.47
+Нижняя Тура,19.4,58.6309267,59.8520344,Свердловская область,Уральский,1754,42
+Новоуральск,80.4,57.2472567,60.0956714,Свердловская область,Уральский,1941,31.9
+Первоуральск,120.8,56.9080085,59.942926,Свердловская область,Уральский,1732,66
+Полевской,61,56.4956952,60.2365298,Свердловская область,Уральский,1718,57
+Ревда,61.5,56.7986319,59.9071591,Свердловская область,Уральский,1734,111
+Реж,36.8,57.3717477,61.3833842,Свердловская область,Уральский,1773,33
+Североуральск,25.6,60.1533109,59.9525245,Свердловская область,Уральский,1758,80
+Серов,95.9,59.6047724,60.5753882,Свердловская область,Уральский,1893,418
+Среднеуральск,23.7,56.9918901,60.4771018,Свердловская область,Уральский,1931,83.8
+Тавда,32.6,58.0434672,65.274217,Свердловская область,Уральский,1910,148
+Талица,15.6,57.0122687,63.7320757,Свердловская область,Уральский,1732,64
+Туринск,17.1,58.0393524,63.6981973,Свердловская область,Уральский,1600,28
+Севастополь,510,44.6167013,33.525355,Севастополь,Южный,1783,863.6
+Вязьма,52.3,55.2116983,34.2951663,Смоленская область,Центральный,1239,44
+Рославль,48.9,53.9449558,32.8480258,Смоленская область,Центральный,1137,43
+Смоленск,325.5,54.782635,32.045251,Смоленская область,Центральный,863,166.35
+Ярцево,42.7,55.0564732,32.6902302,Смоленская область,Центральный,1610,32
+Благодарный,30.4,45.0989782,43.4306455,Ставропольский край,Северо-Кавказский,1782,24
+Буденновск,61.3,44.7816067,44.1650339,Ставропольский край,Северо-Кавказский,1799,62.1
+Георгиевск,66.4,44.1485694,43.4739851,Ставропольский край,Северо-Кавказский,1777,25
+Ессентуки,113.1,44.0446186,42.8588653,Ставропольский край,Северо-Кавказский,1825,50
+Железноводск,24.9,44.1320568,43.0306461,Ставропольский край,Северо-Кавказский,1810,93.13
+Зеленокумск,34.1,44.4032668,43.8841877,Ставропольский край,Северо-Кавказский,1781,24
+Изобильный,37.8,45.3684296,41.708702,Ставропольский край,Северо-Кавказский,1895,28
+Ипатово,23.2,45.7181751,42.8970206,Ставропольский край,Северо-Кавказский,1860,16
+Кисловодск,128.8,43.9052044,42.7168721,Ставропольский край,Северо-Кавказский,1803,71.83
+Лермонтов,22.9,44.1054107,42.973135,Ставропольский край,Северо-Кавказский,1953,31
+Минеральные Воды,73.9,44.2087273,43.138408,Ставропольский край,Северо-Кавказский,1878,51.55
+Невинномысск,116.7,44.6226031,41.9476723,Ставропольский край,Северо-Кавказский,1825,98.5
+Нефтекумск,24.4,44.7544552,44.9865347,Ставропольский край,Северо-Кавказский,1958,40
+Новоалександровск,26.5,45.4932733,41.2153996,Ставропольский край,Северо-Кавказский,1804,21
+Новопавловск,26.1,43.9617097,43.6342865,Ставропольский край,Северо-Кавказский,1777,19
+Пятигорск,147.9,44.041091,43.0661553,Ставропольский край,Северо-Кавказский,1780,97
+Светлоград,35.4,45.328659,42.8565714,Ставропольский край,Северо-Кавказский,1786,41
+Ставрополь,450.7,45.044516,41.9689655,Ставропольский край,Северо-Кавказский,1777,171.7
+Кирсанов,16.1,52.6506335,42.7286445,Тамбовская область,Центральный,1702,10.9
+Котовск,28.9,52.5924489,41.5101237,Тамбовская область,Центральный,1940,17.3
+Мичуринск,90.7,52.8912389,40.5104443,Тамбовская область,Центральный,1635,78
+Моршанск,38,53.4436216,41.8115478,Тамбовская область,Центральный,1623,18.52
+Рассказово,42.7,52.6538833,41.874285,Тамбовская область,Центральный,1698,36.12
+Тамбов,292.1,52.7213154,41.452264,Тамбовская область,Центральный,1636,107.31
+Уварово,23.1,51.9767841,42.2529799,Тамбовская область,Центральный,1699,23
+Бежецк,20.4,57.7860089,36.6904983,Тверская область,Центральный,1137,17
+Бологое,20.5,57.8855767,34.0537771,Тверская область,Центральный,1495,120
+Вышний Волочек,45.5,57.568302,34.5404016,Тверская область,Центральный,1437,54
+Кимры,43.2,56.8733213,37.3556605,Тверская область,Центральный,1546,44
+Конаково,36.5,56.7275204,36.8012716,Тверская область,Центральный,1806,39.03
+Нелидово,18.1,56.2232566,32.7767459,Тверская область,Центральный,1900,20.5
+Осташков,15.4,57.1456744,33.1115372,Тверская область,Центральный,1300,13
+Ржев,57.5,56.262881,34.3291002,Тверская область,Центральный,1216,56.17
+Тверь,425.1,56.8586059,35.9116761,Тверская область,Центральный,1135,152.22
+Торжок,44.4,57.04133,34.9602344,Тверская область,Центральный,850,58.8
+Удомля,27.2,57.8787314,35.0167348,Тверская область,Центральный,1478,9
+Асино,24.4,56.9907085,86.1765257,Томская область,Сибирский,1896,90
+Колпашево,22.9,58.3114253,82.9025829,Томская область,Сибирский,1600,35
+Северск,106.5,56.6031285,84.8809926,Томская область,Сибирский,1949,485.65
+Стрежевой,40.8,60.732895,77.604122,Томская область,Сибирский,1966,31
+Томск,576.6,56.4845804,84.9481582,Томская область,Сибирский,1604,294.6
+Алексин,57.5,54.5083349,37.0478067,Тульская область,Центральный,1348,37.95
+Богородицк,30.4,53.7701014,38.1225152,Тульская область,Центральный,1663,27
+Кимовск,25.6,53.9698378,38.5380808,Тульская область,Центральный,1600,17
+Киреевск,26.3,53.9319555,37.9220351,Тульская область,Центральный,1762,11.49
+Плавск,15.7,53.7096415,37.2862352,Тульская область,Центральный,1563,8.64
+Суворов,17.2,54.1343585,36.4807419,Тульская область,Центральный,1949,25.6
+Тула,475.2,54.1920559,37.6153842,Тульская область,Центральный,1146,145.8
+Губкинский,29.2,64.4457594,76.4713274,Тюменская область,Уральский,1986,73
+Заводоуковск,26.5,56.5027463,66.5513613,Тюменская область,Уральский,1729,20.96
+Ишим,64.4,56.1104858,69.4795776,Тюменская область,Уральский,1687,46.1
+Когалым,67.7,62.2639527,74.4829794,Тюменская область,Уральский,1975,200
+Лабытнанги,26.3,66.6592841,66.3883009,Тюменская область,Уральский,1890,22
+Лангепас,44.6,61.2536939,75.1807763,Тюменская область,Уральский,1980,59.51
+Лянтор,41.2,61.6392863,72.179409,Тюменская область,Уральский,1932,63.07
+Мегион,46.6,61.0318712,76.1025878,Тюменская область,Уральский,1810,50.51
+Надым,44.8,65.5377966,72.5182736,Тюменская область,Уральский,1597,185
+Нефтеюганск,127.3,61.0882676,72.6164079,Тюменская область,Уральский,1961,154
+Нижневартовск,277.7,60.9396698,76.5696184,Тюменская область,Уральский,1909,270.59
+Новый Уренгой,118,66.0839433,76.6809681,Тюменская область,Уральский,1975,226.5
+Ноябрьск,106.9,63.2018039,75.4510581,Тюменская область,Уральский,1976,38.84
+Нягань,58.6,62.1454701,65.3946047,Тюменская область,Уральский,1965,814
+Покачи,18.1,61.7422169,75.5941517,Тюменская область,Уральский,1984,22.84
+Пыть-Ях,39.6,60.7585833,72.8365617,Тюменская область,Уральский,1968,80.4
+Радужный,43.7,62.1342888,77.4584094,Тюменская область,Уральский,1973,113.2
+Салехард,51,66.5492077,66.6085318,Тюменская область,Уральский,1595,84.5
+Сургут,380.6,61.2541083,73.3961587,Тюменская область,Уральский,1594,353.97
+Тобольск,98.9,58.2017299,68.2538558,Тюменская область,Уральский,1587,222
+Тюмень,807.3,57.1529744,65.5344099,Тюменская область,Уральский,1586,698.48
+Урай,40.5,60.1296954,64.8038508,Тюменская область,Уральский,1922,54.3
+Ханты-Мансийск,101.5,61.0023984,69.0184798,Тюменская область,Уральский,1582,337.76
+Югорск,38,61.3123568,63.3365484,Тюменская область,Уральский,1962,65.217
+Ялуторовск,40.3,56.6547289,66.3122992,Тюменская область,Уральский,1659,51.91
+Воткинск,97.2,57.0518149,53.9873096,Удмуртская Республика,Приволжский,1759,112.18
+Глазов,92.3,58.1359233,52.6635038,Удмуртская Республика,Приволжский,1678,68.27
+Ижевск,648.1,56.852738,53.2114896,Удмуртская Республика,Приволжский,1760,315.15
+Можга,49,56.4427774,52.2137886,Удмуртская Республика,Приволжский,1835,31
+Сарапул,95.4,56.4615767,53.8037657,Удмуртская Республика,Приволжский,1621,89
+Димитровград,113.5,54.2167926,49.6262585,Ульяновская область,Приволжский,1698,103.98
+Инза,17.2,53.8549647,46.3533459,Ульяновская область,Приволжский,1897,22
+Ульяновск,627.7,54.3079415,48.3748487,Ульяновская область,Приволжский,1648,316
+Амурск,38.9,50.2344147,136.8792444,Хабаровский край,Дальневосточный,1958,146.4
+Бикин,16.1,46.8185743,134.2550718,Хабаровский край,Дальневосточный,1895,85.74
+Комсомольск-на-Амуре,244.8,50.5498936,137.0079408,Хабаровский край,Дальневосточный,1860,325.1
+Николаевск-на-Амуре,17.9,53.1460657,140.7111367,Хабаровский край,Дальневосточный,1850,17
+Хабаровск,616.4,48.4647258,135.0598942,Хабаровский край,Дальневосточный,1858,389
+Аша,29.1,54.9906527,57.2783953,Челябинская область,Уральский,1898,52.4
+Бакал,18.7,54.9406399,58.8051698,Челябинская область,Уральский,1757,50
+Верхний Уфалей,26.7,56.0487158,60.2318886,Челябинская область,Уральский,1761,65
+Еманжелинск,28.2,54.7554548,61.3243477,Челябинская область,Уральский,1931,129.9
+Златоуст,163.9,55.1714905,59.6725549,Челябинская область,Уральский,1754,236.4
+Карталы,28.2,53.0536197,60.6478408,Челябинская область,Уральский,1810,86.13
+Касли,15.7,55.8868784,60.7421663,Челябинская область,Уральский,1747,39.76
+Катав-Ивановск,15.5,54.7521438,58.1983648,Челябинская область,Уральский,1755,24.7
+Копейск,147.6,55.116665,61.6179185,Челябинская область,Уральский,1907,236.71
+Коркино,34,54.8903147,61.4034576,Челябинская область,Уральский,1795,109
+Куса,16.7,55.3386053,59.4385778,Челябинская область,Уральский,1778,15
+Кыштым,36.2,55.7061276,60.5563781,Челябинская область,Уральский,1757,45.67
+Магнитогорск,413.3,53.4072153,58.9791437,Челябинская область,Уральский,1929,392.35
+Миасс,151.5,55.0456457,60.1077572,Челябинская область,Уральский,1773,111.9
+Озерск,78.4,55.763154,60.7076198,Челябинская область,Уральский,1946,657.3
+Сатка,41.3,55.0405288,59.0288975,Челябинская область,Уральский,1758,46.2
+Снежинск,51.8,56.0851495,60.7324914,Челябинская область,Уральский,1955,357
+Трехгорный,32.7,54.8178249,58.4464194,Челябинская область,Уральский,1952,162.49
+Троицк,73.4,54.0843745,61.5586831,Челябинская область,Уральский,1743,139.15
+Усть-Катав,21.8,54.9260812,58.152805,Челябинская область,Уральский,1758,27.45
+Чебаркуль,41.3,54.9818567,60.3773121,Челябинская область,Уральский,1736,71.13
+Челябинск,1196.7,55.1602624,61.4008078,Челябинская область,Уральский,1736,500.91
+Южноуральск,37.6,54.448927,61.2581158,Челябинская область,Уральский,1948,110.57
+Аргун,39.3,43.2916774,45.8723105,Чеченская Республика,Северо-Кавказский,1700,28
+Грозный,305.9,43.3180145,45.698291,Чеченская Республика,Северо-Кавказский,1818,324.16
+Гудермес,55.9,43.3519142,46.1035645,Чеченская Республика,Северо-Кавказский,1700,50
+Курчалой,26.6,43.2046547,46.0889364,Чеченская Республика,Северо-Кавказский,1860,38.15
+Урус-Мартан,62.7,43.120175,45.539276,Чеченская Республика,Северо-Кавказский,1708,25.13
+Шали,55.1,43.1488691,45.9009629,Чеченская Республика,Северо-Кавказский,1378,34.038
+Алатырь,33.8,54.8397989,46.5721997,Чувашская Республика,Приволжский,1552,41.7
+Канаш,44.8,55.507,47.4918273,Чувашская Республика,Приволжский,1588,18.5
+Новочебоксарск,127.2,56.1094977,47.4791113,Чувашская Республика,Приволжский,1960,51.14
+Чебоксары,497.6,56.1438298,47.2489782,Чувашская Республика,Приволжский,1469,251
+Шумерля,28.4,55.4962415,46.4182681,Чувашская Республика,Приволжский,1916,13.3
+Анадырь,15.8,64.7313924,177.5015421,Чукотский автономный округ,Дальневосточный,1889,20
+Гаврилов-Ям,16.5,57.3091058,39.8546444,Ярославская область,Центральный,1545,11
+Переславль-Залесский,37.9,56.7360544,38.8543617,Ярославская область,Центральный,1152,23.01
+Ростов Великий,30.5,57.2051315,39.4378622,Ярославская область,Центральный,862,32
+Рыбинск,184.6,58.0485495,38.8584119,Ярославская область,Центральный,1071,101.42
+Тутаев,39.8,57.8674993,39.5369627,Ярославская область,Центральный,1200,25.5
+Углич,31.8,57.5224249,38.3020044,Ярославская область,Центральный,1148,26.6
+Ярославль,608.4,57.6215477,39.8977411,Ярославская область,Центральный,1010,205.8

ReleaseGenerators/Files/Datasets/russian_cities.meta

@@ -0,0 +1,56 @@
+name = RussianCities
+
+task = clustering
+
+features = population,lat,lon,region_name,federal_district,foundation_year,area
+
+description.en = Dataset of Russian cities with geographic, demographic, and historical features. Includes population, coordinates, region, foundation year, and area for urban analysis and modeling.
+description.ru = Датасет городов России с географическими, демографическими и историческими характеристиками. Включает население, координаты, регион, год основания и площадь для анализа и моделирования.
+
+source = Wikipedia (cities, area, foundation year), aggregated and cleaned
+url = https://ru.wikipedia.org/wiki/Список_городов_России
+
+feature.population = float
+feature.lat = float
+feature.lon = float
+feature.region_name = categorical
+feature.federal_district = categorical
+feature.foundation_year = int
+feature.area = float
+feature.density = float
+
+feature.population.ru = население
+feature.lat.ru = широта
+feature.lon.ru = долгота
+feature.region_name.ru = регион
+feature.federal_district.ru = федеральный округ
+feature.foundation_year.ru = год основания (нормализованный)
+feature.area.ru = площадь города (км²)
+feature.density.ru = плотность населения
+
+feature.population.en = population
+feature.lat.en = latitude
+feature.lon.en = longitude
+feature.region_name.en = region
+feature.federal_district.en = federal district
+feature.foundation_year.en = foundation year (normalized)
+feature.area.en = city area (km²)
+feature.density.en = population density
+
+value.federal_district.central.ru = Центральный
+value.federal_district.northwestern.ru = Северо-Западный
+value.federal_district.southern.ru = Южный
+value.federal_district.north_caucasian.ru = Северо-Кавказский
+value.federal_district.volga.ru = Приволжский
+value.federal_district.ural.ru = Уральский
+value.federal_district.siberian.ru = Сибирский
+value.federal_district.far_eastern.ru = Дальневосточный
+
+value.federal_district.central.en = Central
+value.federal_district.northwestern.en = Northwestern
+value.federal_district.southern.en = Southern
+value.federal_district.north_caucasian.en = North Caucasian
+value.federal_district.volga.en = Volga
+value.federal_district.ural.en = Ural
+value.federal_district.siberian.en = Siberian
+value.federal_district.far_eastern.en = Far Eastern

ReleaseGenerators/Files/Datasets/titanic_ru.csv

@@ -0,0 +1,892 @@
+Id,Имя,Выжил,Класс,Пол,Возраст,БратьяИСупруги,РодителиИДети,ЦенаБилета,ПортПосадки
+1,Owen Harris Braund,0,3,муж,22,1,0,7.25,Саутгемптон
+2,John Bradley Cumings,1,1,жен,38,1,0,71.2833,Шербур
+3,Laina Heikkinen,1,3,жен,26,0,0,7.925,Саутгемптон
+4,Jacques Heath Futrelle,1,1,жен,35,1,0,53.1,Саутгемптон
+5,William Henry Allen,0,3,муж,35,0,0,8.05,Саутгемптон
+6,James Moran,0,3,муж,,0,0,8.4583,Квинстаун
+7,Timothy J McCarthy,0,1,муж,54,0,0,51.8625,Саутгемптон
+8,Gosta Leonard Palsson,0,3,муж,2,3,1,21.075,Саутгемптон
+9,Oscar W Johnson,1,3,жен,27,0,2,11.1333,Саутгемптон
+10,Nicholas Adele Nasser,1,2,жен,14,1,0,30.0708,Шербур
+11,Marguerite Rut Sandstrom,1,3,жен,4,1,1,16.7,Саутгемптон
+12,Elizabeth Bonnell,1,1,жен,58,0,0,26.55,Саутгемптон
+13,William Henry Saundercock,0,3,муж,20,0,0,8.05,Саутгемптон
+14,Anders Johan Andersson,0,3,муж,39,1,5,31.275,Саутгемптон
+15,Hulda Amanda Vestrom,0,3,жен,14,0,0,7.8542,Саутгемптон
+16,Mary D Hewlett,1,2,жен,55,0,0,16,Саутгемптон
+17,Eugene Rice,0,3,муж,2,4,1,29.125,Квинстаун
+18,Charles Eugene Williams,1,2,муж,,0,0,13,Саутгемптон
+19,Julius Emelia Vander Planke,0,3,жен,31,1,0,18,Саутгемптон
+20,Fatima Masselmani,1,3,жен,,0,0,7.225,Шербур
+21,Joseph J Fynney,0,2,муж,35,0,0,26,Саутгемптон
+22,Lawrence Beesley,1,2,муж,34,0,0,13,Саутгемптон
+23,Anna Annie McGowan,1,3,жен,15,0,0,8.0292,Квинстаун
+24,William Thompson Sloper,1,1,муж,28,0,0,35.5,Саутгемптон
+25,Torborg Danira Palsson,0,3,жен,8,3,1,21.075,Саутгемптон
+26,Carl Oscar Asplund,1,3,жен,38,1,5,31.3875,Саутгемптон
+27,Farred Chehab Emir,0,3,муж,,0,0,7.225,Шербур
+28,Charles Alexander Fortune,0,1,муж,19,3,2,263,Саутгемптон
+29,Ellen Nellie O'Dwyer,1,3,жен,,0,0,7.8792,Квинстаун
+30,Lalio Todoroff,0,3,муж,,0,0,7.8958,Саутгемптон
+31,Manuel E Uruchurtu,0,1,муж,40,0,0,27.7208,Шербур
+32,William Augustus Spencer,1,1,жен,,1,0,146.5208,Шербур
+33,Mary Agatha Glynn,1,3,жен,,0,0,7.75,Квинстаун
+34,Edward H Wheadon,0,2,муж,66,0,0,10.5,Саутгемптон
+35,Edgar Joseph Meyer,0,1,муж,28,1,0,82.1708,Шербур
+36,Alexander Oskar Holverson,0,1,муж,42,1,0,52,Саутгемптон
+37,Hanna Mamee,1,3,муж,,0,0,7.2292,Шербур
+38,Ernest Charles Cann,0,3,муж,21,0,0,8.05,Саутгемптон
+39,Augusta Maria Vander Planke,0,3,жен,18,2,0,18,Саутгемптон
+40,Jamila Nicola-Yarred,1,3,жен,14,1,0,11.2417,Шербур
+41,Johan Johanna Ahlin,0,3,жен,40,1,0,9.475,Саутгемптон
+42,William John Turpin,0,2,жен,27,1,0,21,Саутгемптон
+43,Theodor Kraeff,0,3,муж,,0,0,7.8958,Шербур
+44,Simonne Marie Laroche,1,2,жен,3,1,2,41.5792,Шербур
+45,Margaret Delia Devaney,1,3,жен,19,0,0,7.8792,Квинстаун
+46,William John Rogers,0,3,муж,,0,0,8.05,Саутгемптон
+47,Denis Lennon,0,3,муж,,1,0,15.5,Квинстаун
+48,Bridget O'Driscoll,1,3,жен,,0,0,7.75,Квинстаун
+49,Youssef Samaan,0,3,муж,,2,0,21.6792,Шербур
+50,Josefine Arnold-Franchi,0,3,жен,18,1,0,17.8,Саутгемптон
+51,Juha Niilo Panula,0,3,муж,7,4,1,39.6875,Саутгемптон
+52,Richard Cater Nosworthy,0,3,муж,21,0,0,7.8,Саутгемптон
+53,Henry Sleeper Harper,1,1,жен,49,1,0,76.7292,Шербур
+54,Lizzie Elizabeth Faunthorpe,1,2,жен,29,1,0,26,Саутгемптон
+55,Engelhart Cornelius Ostby,0,1,муж,65,0,1,61.9792,Шербур
+56,Hugh Woolner,1,1,муж,,0,0,35.5,Саутгемптон
+57,Emily Rugg,1,2,жен,21,0,0,10.5,Саутгемптон
+58,Mansouer Novel,0,3,муж,28.5,0,0,7.2292,Шербур
+59,Constance Mirium West,1,2,жен,5,1,2,27.75,Саутгемптон
+60,William Frederick Goodwin,0,3,муж,11,5,2,46.9,Саутгемптон
+61,Orsen Sirayanian,0,3,муж,22,0,0,7.2292,Шербур
+62,Amelie Icard,1,1,жен,38,0,0,80,
+63,Henry Birkhardt Harris,0,1,муж,45,1,0,83.475,Саутгемптон
+64,Harald Skoog,0,3,муж,4,3,2,27.9,Саутгемптон
+65,Albert A Stewart,0,1,муж,,0,0,27.7208,Шербур
+66,Gerios Moubarek,1,3,муж,,1,1,15.2458,Шербур
+67,Elizabeth Ramell Nye,1,2,жен,29,0,0,10.5,Саутгемптон
+68,Ernest James Crease,0,3,муж,19,0,0,8.1583,Саутгемптон
+69,Erna Alexandra Andersson,1,3,жен,17,4,2,7.925,Саутгемптон
+70,Vincenz Kink,0,3,муж,26,2,0,8.6625,Саутгемптон
+71,Stephen Curnow Jenkin,0,2,муж,32,0,0,10.5,Саутгемптон
+72,Lillian Amy Goodwin,0,3,жен,16,5,2,46.9,Саутгемптон
+73,Ambrose Jr Hood,0,2,муж,21,0,0,73.5,Саутгемптон
+74,Apostolos Chronopoulos,0,3,муж,26,1,0,14.4542,Шербур
+75,Lee Bing,1,3,муж,32,0,0,56.4958,Саутгемптон
+76,Sigurd Hansen Moen,0,3,муж,25,0,0,7.65,Саутгемптон
+77,Ivan Staneff,0,3,муж,,0,0,7.8958,Саутгемптон
+78,Rahamin Haim Moutal,0,3,муж,,0,0,8.05,Саутгемптон
+79,Alden Gates Caldwell,1,2,муж,0.83,0,2,29,Саутгемптон
+80,Elizabeth Dowdell,1,3,жен,30,0,0,12.475,Саутгемптон
+81,Achille Waelens,0,3,муж,22,0,0,9,Саутгемптон
+82,Jan Baptist Sheerlinck,1,3,муж,29,0,0,9.5,Саутгемптон
+83,Brigdet Delia McDermott,1,3,жен,,0,0,7.7875,Квинстаун
+84,Francisco M Carrau,0,1,муж,28,0,0,47.1,Саутгемптон
+85,Bertha Ilett,1,2,жен,17,0,0,10.5,Саутгемптон
+86,Karl Alfred Backstrom,1,3,жен,33,3,0,15.85,Саутгемптон
+87,William Neal Ford,0,3,муж,16,1,3,34.375,Саутгемптон
+88,Selman Francis Slocovski,0,3,муж,,0,0,8.05,Саутгемптон
+89,Mabel Helen Fortune,1,1,жен,23,3,2,263,Саутгемптон
+90,Francesco Celotti,0,3,муж,24,0,0,8.05,Саутгемптон
+91,Emil Christmann,0,3,муж,29,0,0,8.05,Саутгемптон
+92,Paul Edvin Andreasson,0,3,муж,20,0,0,7.8542,Саутгемптон
+93,Herbert Fuller Chaffee,0,1,муж,46,1,0,61.175,Саутгемптон
+94,Bertram Frank Dean,0,3,муж,26,1,2,20.575,Саутгемптон
+95,Daniel Coxon,0,3,муж,59,0,0,7.25,Саутгемптон
+96,Charles Joseph Shorney,0,3,муж,,0,0,8.05,Саутгемптон
+97,George B Goldschmidt,0,1,муж,71,0,0,34.6542,Шербур
+98,William Bertram Greenfield,1,1,муж,23,0,1,63.3583,Шербур
+99,John T Doling,1,2,жен,34,0,1,23,Саутгемптон
+100,Sinai Kantor,0,2,муж,34,1,0,26,Саутгемптон
+101,Matilda Petranec,0,3,жен,28,0,0,7.8958,Саутгемптон
+102,Pastcho Pentcho Petroff,0,3,муж,,0,0,7.8958,Саутгемптон
+103,Richard Frasar White,0,1,муж,21,0,1,77.2875,Саутгемптон
+104,Gustaf Joel Johansson,0,3,муж,33,0,0,8.6542,Саутгемптон
+105,Anders Vilhelm Gustafsson,0,3,муж,37,2,0,7.925,Саутгемптон
+106,Stoytcho Mionoff,0,3,муж,28,0,0,7.8958,Саутгемптон
+107,Anna Kristine Salkjelsvik,1,3,жен,21,0,0,7.65,Саутгемптон
+108,Albert Johan Moss,1,3,муж,,0,0,7.775,Саутгемптон
+109,Tido Rekic,0,3,муж,38,0,0,7.8958,Саутгемптон
+110,Bertha Moran,1,3,жен,,1,0,24.15,Квинстаун
+111,Walter Chamberlain Porter,0,1,муж,47,0,0,52,Саутгемптон
+112,Hileni Zabour,0,3,жен,14.5,1,0,14.4542,Шербур
+113,David John Barton,0,3,муж,22,0,0,8.05,Саутгемптон
+114,Katriina Jussila,0,3,жен,20,1,0,9.825,Саутгемптон
+115,Malake Attalah,0,3,жен,17,0,0,14.4583,Шербур
+116,Edvard Pekoniemi,0,3,муж,21,0,0,7.925,Саутгемптон
+117,Patrick Connors,0,3,муж,70.5,0,0,7.75,Квинстаун
+118,William John Turpin,0,2,муж,29,1,0,21,Саутгемптон
+119,Quigg Edmond Baxter,0,1,муж,24,0,1,247.5208,Шербур
+120,Ellis Anna Andersson,0,3,жен,2,4,2,31.275,Саутгемптон
+121,Stanley George Hickman,0,2,муж,21,2,0,73.5,Саутгемптон
+122,Leonard Charles Moore,0,3,муж,,0,0,8.05,Саутгемптон
+123,Nicholas Nasser,0,2,муж,32.5,1,0,30.0708,Шербур
+124,Susan Webber,1,2,жен,32.5,0,0,13,Саутгемптон
+125,Percival Wayland White,0,1,муж,54,0,1,77.2875,Саутгемптон
+126,Elias Nicola-Yarred,1,3,муж,12,1,0,11.2417,Шербур
+127,Martin McMahon,0,3,муж,,0,0,7.75,Квинстаун
+128,Fridtjof Arne Madsen,1,3,муж,24,0,0,7.1417,Саутгемптон
+129,Anna Peter,1,3,жен,,1,1,22.3583,Шербур
+130,Johan Ekstrom,0,3,муж,45,0,0,6.975,Саутгемптон
+131,Jozef Drazenoic,0,3,муж,33,0,0,7.8958,Шербур
+132,Domingos Fernandeo Coelho,0,3,муж,20,0,0,7.05,Саутгемптон
+133,Alexander A Robins,0,3,жен,47,1,0,14.5,Саутгемптон
+134,Leopold Mathilde Weisz,1,2,жен,29,1,0,26,Саутгемптон
+135,Samuel James Sobey,0,2,муж,25,0,0,13,Саутгемптон
+136,Emile Richard,0,2,муж,23,0,0,15.0458,Шербур
+137,Helen Monypeny Newsom,1,1,жен,19,0,2,26.2833,Саутгемптон
+138,Jacques Heath Futrelle,0,1,муж,37,1,0,53.1,Саутгемптон
+139,Olaf Elon Osen,0,3,муж,16,0,0,9.2167,Саутгемптон
+140,Victor Giglio,0,1,муж,24,0,0,79.2,Шербур
+141,Joseph Sultana Boulos,0,3,жен,,0,2,15.2458,Шербур
+142,Anna Sofia Nysten,1,3,жен,22,0,0,7.75,Саутгемптон
+143,Pekka Pietari Hakkarainen,1,3,жен,24,1,0,15.85,Саутгемптон
+144,Jeremiah Burke,0,3,муж,19,0,0,6.75,Квинстаун
+145,Edgardo Samuel Andrew,0,2,муж,18,0,0,11.5,Саутгемптон
+146,Joseph Charles Nicholls,0,2,муж,19,1,1,36.75,Саутгемптон
+147,August Edvard Andersson,1,3,муж,27,0,0,7.7958,Саутгемптон
+148,Robina Maggie Ford,0,3,жен,9,2,2,34.375,Саутгемптон
+149,Michel Louis Navratil,0,2,муж,36.5,0,2,26,Саутгемптон
+150,Thomas Roussel Byles,0,2,муж,42,0,0,13,Саутгемптон
+151,Robert James Bateman,0,2,муж,51,0,0,12.525,Саутгемптон
+152,Thomas Edith Pears,1,1,жен,22,1,0,66.6,Саутгемптон
+153,Alfonzo Meo,0,3,муж,55.5,0,0,8.05,Саутгемптон
+154,Austin Blyler van Billiard,0,3,муж,40.5,0,2,14.5,Саутгемптон
+155,Ole Martin Olsen,0,3,муж,,0,0,7.3125,Саутгемптон
+156,Charles Duane Williams,0,1,муж,51,0,1,61.3792,Шербур
+157,Katherine Katie Gilnagh,1,3,жен,16,0,0,7.7333,Квинстаун
+158,Harry Corn,0,3,муж,30,0,0,8.05,Саутгемптон
+159,Mile Smiljanic,0,3,муж,,0,0,8.6625,Саутгемптон
+160,Thomas Henry Sage,0,3,муж,,8,2,69.55,Саутгемптон
+161,John Hatfield Cribb,0,3,муж,44,0,1,16.1,Саутгемптон
+162,James Elizabeth Watt,1,2,жен,40,0,0,15.75,Саутгемптон
+163,John Viktor Bengtsson,0,3,муж,26,0,0,7.775,Саутгемптон
+164,Jovo Calic,0,3,муж,17,0,0,8.6625,Саутгемптон
+165,Eino Viljami Panula,0,3,муж,1,4,1,39.6875,Саутгемптон
+166,Frank John Goldsmith,1,3,муж,9,0,2,20.525,Саутгемптон
+167,Edith Martha Chibnall,1,1,жен,,0,1,55,Саутгемптон
+168,William Anna Skoog,0,3,жен,45,1,4,27.9,Саутгемптон
+169,John D Baumann,0,1,муж,,0,0,25.925,Саутгемптон
+170,Lee Ling,0,3,муж,28,0,0,56.4958,Саутгемптон
+171,Wyckoff Van der hoef,0,1,муж,61,0,0,33.5,Саутгемптон
+172,Arthur Rice,0,3,муж,4,4,1,29.125,Квинстаун
+173,Eleanor Ileen Johnson,1,3,жен,1,1,1,11.1333,Саутгемптон
+174,Antti Wilhelm Sivola,0,3,муж,21,0,0,7.925,Саутгемптон
+175,James Clinch Smith,0,1,муж,56,0,0,30.6958,Шербур
+176,Klas Albin Klasen,0,3,муж,18,1,1,7.8542,Саутгемптон
+177,Henry Forbes Lefebre,0,3,муж,,3,1,25.4667,Саутгемптон
+178,Ann Elizabeth Isham,0,1,жен,50,0,0,28.7125,Шербур
+179,Reginald Hale,0,2,муж,30,0,0,13,Саутгемптон
+180,Lionel Leonard,0,3,муж,36,0,0,0,Саутгемптон
+181,Constance Gladys Sage,0,3,жен,,8,2,69.55,Саутгемптон
+182,Rene Pernot,0,2,муж,,0,0,15.05,Шербур
+183,Clarence Gustaf Asplund,0,3,муж,9,4,2,31.3875,Саутгемптон
+184,Richard F Becker,1,2,муж,1,2,1,39,Саутгемптон
+185,Luise Kink-Heilmann,1,3,жен,4,0,2,22.025,Саутгемптон
+186,Hugh Roscoe Rood,0,1,муж,,0,0,50,Саутгемптон
+187,Thomas Johanna O'Brien,1,3,жен,,1,0,15.5,Квинстаун
+188,Charles Hallace Romaine,1,1,муж,45,0,0,26.55,Саутгемптон
+189,John Bourke,0,3,муж,40,1,1,15.5,Квинстаун
+190,Stjepan Turcin,0,3,муж,36,0,0,7.8958,Саутгемптон
+191,Rosa Pinsky,1,2,жен,32,0,0,13,Саутгемптон
+192,William Carbines,0,2,муж,19,0,0,13,Саутгемптон
+193,Carla Andersen-Jensen,1,3,жен,19,1,0,7.8542,Саутгемптон
+194,Michel M Navratil,1,2,муж,3,1,1,26,Саутгемптон
+195,James Joseph Brown,1,1,жен,44,0,0,27.7208,Шербур
+196,Elise Lurette,1,1,жен,58,0,0,146.5208,Шербур
+197,Robert Mernagh,0,3,муж,,0,0,7.75,Квинстаун
+198,Karl Siegwart Olsen,0,3,муж,42,0,1,8.4042,Саутгемптон
+199,Margaret Maggie Madigan,1,3,жен,,0,0,7.75,Квинстаун
+200,Henriette Mrs Yrois,0,2,жен,24,0,0,13,Саутгемптон
+201,Nestor Cyriel Vande Walle,0,3,муж,28,0,0,9.5,Саутгемптон
+202,Frederick Sage,0,3,муж,,8,2,69.55,Саутгемптон
+203,Jakob Alfred Johanson,0,3,муж,34,0,0,6.4958,Саутгемптон
+204,Gerious Youseff,0,3,муж,45.5,0,0,7.225,Шербур
+205,Gurshon Gus Cohen,1,3,муж,18,0,0,8.05,Саутгемптон
+206,Telma Matilda Strom,0,3,жен,2,0,1,10.4625,Саутгемптон
+207,Karl Alfred Backstrom,0,3,муж,32,1,0,15.85,Саутгемптон
+208,Nassef Cassem Albimona,1,3,муж,26,0,0,18.7875,Шербур
+209,Helen Ellen Carr,1,3,жен,16,0,0,7.75,Квинстаун
+210,Henry Blank,1,1,муж,40,0,0,31,Шербур
+211,Ahmed Ali,0,3,муж,24,0,0,7.05,Саутгемптон
+212,Clear Annie Cameron,1,2,жен,35,0,0,21,Саутгемптон
+213,John Henry Perkin,0,3,муж,22,0,0,7.25,Саутгемптон
+214,Hans Kristensen Givard,0,2,муж,30,0,0,13,Саутгемптон
+215,Philip Kiernan,0,3,муж,,1,0,7.75,Квинстаун
+216,Madeleine Newell,1,1,жен,31,1,0,113.275,Шербур
+217,Eliina Honkanen,1,3,жен,27,0,0,7.925,Саутгемптон
+218,Sidney Samuel Jacobsohn,0,2,муж,42,1,0,27,Саутгемптон
+219,Albina Bazzani,1,1,жен,32,0,0,76.2917,Шербур
+220,Walter Harris,0,2,муж,30,0,0,10.5,Саутгемптон
+221,Victor Francis Sunderland,1,3,муж,16,0,0,8.05,Саутгемптон
+222,James H Bracken,0,2,муж,27,0,0,13,Саутгемптон
+223,George Henry Green,0,3,муж,51,0,0,8.05,Саутгемптон
+224,Christo Nenkoff,0,3,муж,,0,0,7.8958,Саутгемптон
+225,Frederick Maxfield Hoyt,1,1,муж,38,1,0,90,Саутгемптон
+226,Karl Ivar Berglund,0,3,муж,22,0,0,9.35,Саутгемптон
+227,William John Mellors,1,2,муж,19,0,0,10.5,Саутгемптон
+228,John Hall Lovell,0,3,муж,20.5,0,0,7.25,Саутгемптон
+229,Arne Jonas Fahlstrom,0,2,муж,18,0,0,13,Саутгемптон
+230,Mathilde Lefebre,0,3,жен,,3,1,25.4667,Саутгемптон
+231,Henry Birkhardt Harris,1,1,жен,35,1,0,83.475,Саутгемптон
+232,Bengt Edvin Larsson,0,3,муж,29,0,0,7.775,Саутгемптон
+233,Ernst Adolf Sjostedt,0,2,муж,59,0,0,13.5,Саутгемптон
+234,Lillian Gertrud Asplund,1,3,жен,5,4,2,31.3875,Саутгемптон
+235,Robert William Leyson,0,2,муж,24,0,0,10.5,Саутгемптон
+236,Alice Phoebe Harknett,0,3,жен,,0,0,7.55,Саутгемптон
+237,Stephen Hold,0,2,муж,44,1,0,26,Саутгемптон
+238,Marjorie Lottie Collyer,1,2,жен,8,0,2,26.25,Саутгемптон
+239,Frederick William Pengelly,0,2,муж,19,0,0,10.5,Саутгемптон
+240,George Henry Hunt,0,2,муж,33,0,0,12.275,Саутгемптон
+241,Thamine Zabour,0,3,жен,,1,0,14.4542,Шербур
+242,Katherine Kate Murphy,1,3,жен,,1,0,15.5,Квинстаун
+243,Reginald Charles Coleridge,0,2,муж,29,0,0,10.5,Саутгемптон
+244,Matti Alexanteri Maenpaa,0,3,муж,22,0,0,7.125,Саутгемптон
+245,Sleiman Attalah,0,3,муж,30,0,0,7.225,Шербур
+246,William Edward Minahan,0,1,муж,44,2,0,90,Квинстаун
+247,Agda Thorilda Lindahl,0,3,жен,25,0,0,7.775,Саутгемптон
+248,William Anna Hamalainen,1,2,жен,24,0,2,14.5,Саутгемптон
+249,Richard Leonard Beckwith,1,1,муж,37,1,1,52.5542,Саутгемптон
+250,Ernest Courtenay Carter,0,2,муж,54,1,0,26,Саутгемптон
+251,James George Reed,0,3,муж,,0,0,7.25,Саутгемптон
+252,Wilhelm Elna Strom,0,3,жен,29,1,1,10.4625,Саутгемптон
+253,William Thomas Stead,0,1,муж,62,0,0,26.55,Саутгемптон
+254,William Arthur Lobb,0,3,муж,30,1,0,16.1,Саутгемптон
+255,Viktor Helena Rosblom,0,3,жен,41,0,2,20.2125,Саутгемптон
+256,Darwis Hanne Touma,1,3,жен,29,0,2,15.2458,Шербур
+257,Gertrude Maybelle Thorne,1,1,жен,,0,0,79.2,Шербур
+258,Gladys Cherry,1,1,жен,30,0,0,86.5,Саутгемптон
+259,Anna Ward,1,1,жен,35,0,0,512.3292,Шербур
+260,Lutie Davis Parrish,1,2,жен,50,0,1,26,Саутгемптон
+261,Thomas Smith,0,3,муж,,0,0,7.75,Квинстаун
+262,Edvin Rojj Asplund,1,3,муж,3,4,2,31.3875,Саутгемптон
+263,Emil Taussig,0,1,муж,52,1,1,79.65,Саутгемптон
+264,William Harrison,0,1,муж,40,0,0,0,Саутгемптон
+265,Delia Henry,0,3,жен,,0,0,7.75,Квинстаун
+266,David Reeves,0,2,муж,36,0,0,10.5,Саутгемптон
+267,Ernesti Arvid Panula,0,3,муж,16,4,1,39.6875,Саутгемптон
+268,Ernst Ulrik Persson,1,3,муж,25,1,0,7.775,Саутгемптон
+269,William Thompson Graham,1,1,жен,58,0,1,153.4625,Саутгемптон
+270,Amelia Bissette,1,1,жен,35,0,0,135.6333,Саутгемптон
+271,Alexander Cairns,0,1,муж,,0,0,31,Саутгемптон
+272,William Henry Tornquist,1,3,муж,25,0,0,0,Саутгемптон
+273,Elizabeth Anne Mellinger,1,2,жен,41,0,1,19.5,Саутгемптон
+274,Charles H Natsch,0,1,муж,37,0,1,29.7,Шербур
+275,Hanora Nora Healy,1,3,жен,,0,0,7.75,Квинстаун
+276,Kornelia Theodosia Andrews,1,1,жен,63,1,0,77.9583,Саутгемптон
+277,Augusta Charlotta Lindblom,0,3,жен,45,0,0,7.75,Саутгемптон
+278,Francis Frank Parkes,0,2,муж,,0,0,0,Саутгемптон
+279,Eric Rice,0,3,муж,7,4,1,29.125,Квинстаун
+280,Stanton Rosa Abbott,1,3,жен,35,1,1,20.25,Саутгемптон
+281,Frank Duane,0,3,муж,65,0,0,7.75,Квинстаун
+282,Nils Johan Olsson,0,3,муж,28,0,0,7.8542,Саутгемптон
+283,Alfons de Pelsmaeker,0,3,муж,16,0,0,9.5,Саутгемптон
+284,Edward Arthur Dorking,1,3,муж,19,0,0,8.05,Саутгемптон
+285,Richard William Smith,0,1,муж,,0,0,26,Саутгемптон
+286,Ivan Stankovic,0,3,муж,33,0,0,8.6625,Шербур
+287,Theodore de Mulder,1,3,муж,30,0,0,9.5,Саутгемптон
+288,Penko Naidenoff,0,3,муж,22,0,0,7.8958,Саутгемптон
+289,Masabumi Hosono,1,2,муж,42,0,0,13,Саутгемптон
+290,Kate Connolly,1,3,жен,22,0,0,7.75,Квинстаун
+291,Ellen Nellie Barber,1,1,жен,26,0,0,78.85,Саутгемптон
+292,Dickinson H Bishop,1,1,жен,19,1,0,91.0792,Шербур
+293,Rene Jacques Levy,0,2,муж,36,0,0,12.875,Шербур
+294,Aloisia Haas,0,3,жен,24,0,0,8.85,Саутгемптон
+295,Ivan Mineff,0,3,муж,24,0,0,7.8958,Саутгемптон
+296,Ervin G Lewy,0,1,муж,,0,0,27.7208,Шербур
+297,Mansour Hanna,0,3,муж,23.5,0,0,7.2292,Шербур
+298,Helen Loraine Allison,0,1,жен,2,1,2,151.55,Саутгемптон
+299,Adolphe Saalfeld,1,1,муж,,0,0,30.5,Саутгемптон
+300,James Helene Baxter,1,1,жен,50,0,1,247.5208,Шербур
+301,Anna Katherine Kelly,1,3,жен,,0,0,7.75,Квинстаун
+302,Bernard McCoy,1,3,муж,,2,0,23.25,Квинстаун
+303,William Cahoone Johnson,0,3,муж,19,0,0,0,Саутгемптон
+304,Nora A Keane,1,2,жен,,0,0,12.35,Квинстаун
+305,Howard Hugh Williams,0,3,муж,,0,0,8.05,Саутгемптон
+306,Hudson Trevor Allison,1,1,муж,0.92,1,2,151.55,Саутгемптон
+307,Margaret Fleming,1,1,жен,,0,0,110.8833,Шербур
+308,Victor de Penasco,1,1,жен,17,1,0,108.9,Шербур
+309,Samuel Abelson,0,2,муж,30,1,0,24,Шербур
+310,Laura Mabel Francatelli,1,1,жен,30,0,0,56.9292,Шербур
+311,Margaret Bechstein Hays,1,1,жен,24,0,0,83.1583,Шербур
+312,Emily Borie Ryerson,1,1,жен,18,2,2,262.375,Шербур
+313,William Anna Lahtinen,0,2,жен,26,1,1,26,Саутгемптон
+314,Ignjac Hendekovic,0,3,муж,28,0,0,7.8958,Саутгемптон
+315,Benjamin Hart,0,2,муж,43,1,1,26.25,Саутгемптон
+316,Helmina Josefina Nilsson,1,3,жен,26,0,0,7.8542,Саутгемптон
+317,Sinai Miriam Kantor,1,2,жен,24,1,0,26,Саутгемптон
+318,Ernest Moraweck,0,2,муж,54,0,0,14,Саутгемптон
+319,Mary Natalie Wick,1,1,жен,31,0,2,164.8667,Саутгемптон
+320,Frederic Oakley Spedden,1,1,жен,40,1,1,134.5,Шербур
+321,Samuel Dennis,0,3,муж,22,0,0,7.25,Саутгемптон
+322,Yoto Danoff,0,3,муж,27,0,0,7.8958,Саутгемптон
+323,Hilda Mary Slayter,1,2,жен,30,0,0,12.35,Квинстаун
+324,Albert Francis Caldwell,1,2,жен,22,1,1,29,Саутгемптон
+325,George John Sage,0,3,муж,,8,2,69.55,Саутгемптон
+326,Marie Grice Young,1,1,жен,36,0,0,135.6333,Шербур
+327,Johan Hansen Nysveen,0,3,муж,61,0,0,6.2375,Саутгемптон
+328,Ada E Ball,1,2,жен,36,0,0,13,Саутгемптон
+329,Frank John Goldsmith,1,3,жен,31,1,1,20.525,Саутгемптон
+330,Jean Gertrude Hippach,1,1,жен,16,0,1,57.9792,Шербур
+331,Agnes McCoy,1,3,жен,,2,0,23.25,Квинстаун
+332,Austen Partner,0,1,муж,45.5,0,0,28.5,Саутгемптон
+333,George Edward Graham,0,1,муж,38,0,1,153.4625,Саутгемптон
+334,Leo Edmondus Vander Planke,0,3,муж,16,2,0,18,Саутгемптон
+335,Henry William Frauenthal,1,1,жен,,1,0,133.65,Саутгемптон
+336,Mitto Denkoff,0,3,муж,,0,0,7.8958,Саутгемптон
+337,Thomas Clinton Pears,0,1,муж,29,1,0,66.6,Саутгемптон
+338,Elizabeth Margaret Burns,1,1,жен,41,0,0,134.5,Шербур
+339,Karl Edwart Dahl,1,3,муж,45,0,0,8.05,Саутгемптон
+340,Stephen Weart Blackwell,0,1,муж,45,0,0,35.5,Саутгемптон
+341,Edmond Roger Navratil,1,2,муж,2,1,1,26,Саутгемптон
+342,Alice Elizabeth Fortune,1,1,жен,24,3,2,263,Саутгемптон
+343,Erik Gustaf Collander,0,2,муж,28,0,0,13,Саутгемптон
+344,Charles Frederick Sedgwick,0,2,муж,25,0,0,13,Саутгемптон
+345,Stanley Hubert Fox,0,2,муж,36,0,0,13,Саутгемптон
+346,Amelia Mildred Brown,1,2,жен,24,0,0,13,Саутгемптон
+347,Marion Elsie Smith,1,2,жен,40,0,0,13,Саутгемптон
+348,Thomas Henry Davison,1,3,жен,,1,0,16.1,Саутгемптон
+349,William Loch Coutts,1,3,муж,3,1,1,15.9,Саутгемптон
+350,Jovan Dimic,0,3,муж,42,0,0,8.6625,Саутгемптон
+351,Nils Martin Odahl,0,3,муж,23,0,0,9.225,Саутгемптон
+352,Fletcher Williams-Lambert,0,1,муж,,0,0,35,Саутгемптон
+353,Tannous Elias,0,3,муж,15,1,1,7.2292,Шербур
+354,Josef Arnold-Franchi,0,3,муж,25,1,0,17.8,Саутгемптон
+355,Wazli Yousif,0,3,муж,,0,0,7.225,Шербур
+356,Leo Peter Vanden Steen,0,3,муж,28,0,0,9.5,Саутгемптон
+357,Elsie Edith Bowerman,1,1,жен,22,0,1,55,Саутгемптон
+358,Annie Clemmer Funk,0,2,жен,38,0,0,13,Саутгемптон
+359,Mary McGovern,1,3,жен,,0,0,7.8792,Квинстаун
+360,Helen Mary Mockler,1,3,жен,,0,0,7.8792,Квинстаун
+361,Wilhelm Skoog,0,3,муж,40,1,4,27.9,Саутгемптон
+362,Sebastiano del Carlo,0,2,муж,29,1,0,27.7208,Шербур
+363,Catherine David Barbara,0,3,жен,45,0,1,14.4542,Шербур
+364,Adola Asim,0,3,муж,35,0,0,7.05,Саутгемптон
+365,Thomas O'Brien,0,3,муж,,1,0,15.5,Квинстаун
+366,Mauritz Nils Adahl,0,3,муж,30,0,0,7.25,Саутгемптон
+367,Frank Manley Warren,1,1,жен,60,1,0,75.25,Шербур
+368,Mantoura Boulos Moussa,1,3,жен,,0,0,7.2292,Шербур
+369,Annie Jermyn,1,3,жен,,0,0,7.75,Квинстаун
+370,Leontine Pauline Aubart,1,1,жен,24,0,0,69.3,Шербур
+371,George Achilles Harder,1,1,муж,25,1,0,55.4417,Шербур
+372,Jakob Alfred Wiklund,0,3,муж,18,1,0,6.4958,Саутгемптон
+373,William Thomas Beavan,0,3,муж,19,0,0,8.05,Саутгемптон
+374,Sante Ringhini,0,1,муж,22,0,0,135.6333,Шербур
+375,Stina Viola Palsson,0,3,жен,3,3,1,21.075,Саутгемптон
+376,Edgar Joseph Meyer,1,1,жен,,1,0,82.1708,Шербур
+377,Aurora Adelia Landergren,1,3,жен,22,0,0,7.25,Саутгемптон
+378,Harry Elkins Widener,0,1,муж,27,0,2,211.5,Шербур
+379,Tannous Betros,0,3,муж,20,0,0,4.0125,Шербур
+380,Karl Gideon Gustafsson,0,3,муж,19,0,0,7.775,Саутгемптон
+381,Rosalie Bidois,1,1,жен,42,0,0,227.525,Шербур
+382,Maria Mary Nakid,1,3,жен,1,0,2,15.7417,Шербур
+383,Juho Tikkanen,0,3,муж,32,0,0,7.925,Саутгемптон
+384,Alexander Oskar Holverson,1,1,жен,35,1,0,52,Саутгемптон
+385,Vasil Plotcharsky,0,3,муж,,0,0,7.8958,Саутгемптон
+386,Charles Henry Davies,0,2,муж,18,0,0,73.5,Саутгемптон
+387,Sidney Leonard Goodwin,0,3,муж,1,5,2,46.9,Саутгемптон
+388,Kate Buss,1,2,жен,36,0,0,13,Саутгемптон
+389,Matthew Sadlier,0,3,муж,,0,0,7.7292,Квинстаун
+390,Bertha Lehmann,1,2,жен,17,0,0,12,Шербур
+391,William Ernest Carter,1,1,муж,36,1,2,120,Саутгемптон
+392,Carl Olof Jansson,1,3,муж,21,0,0,7.7958,Саутгемптон
+393,Johan Birger Gustafsson,0,3,муж,28,2,0,7.925,Саутгемптон
+394,Marjorie Newell,1,1,жен,23,1,0,113.275,Шербур
+395,Hjalmar Agnes Sandstrom,1,3,жен,24,0,2,16.7,Саутгемптон
+396,Erik Johansson,0,3,муж,22,0,0,7.7958,Саутгемптон
+397,Elina Olsson,0,3,жен,31,0,0,7.8542,Саутгемптон
+398,Peter David McKane,0,2,муж,46,0,0,26,Саутгемптон
+399,Alfred Pain,0,2,муж,23,0,0,10.5,Саутгемптон
+400,William H Trout,1,2,жен,28,0,0,12.65,Саутгемптон
+401,Juha Niskanen,1,3,муж,39,0,0,7.925,Саутгемптон
+402,John Adams,0,3,муж,26,0,0,8.05,Саутгемптон
+403,Mari Aina Jussila,0,3,жен,21,1,0,9.825,Саутгемптон
+404,Pekka Pietari Hakkarainen,0,3,муж,28,1,0,15.85,Саутгемптон
+405,Marija Oreskovic,0,3,жен,20,0,0,8.6625,Саутгемптон
+406,Shadrach Gale,0,2,муж,34,1,0,21,Саутгемптон
+407,Charles Peter Widegren,0,3,муж,51,0,0,7.75,Саутгемптон
+408,William Rowe Richards,1,2,муж,3,1,1,18.75,Саутгемптон
+409,Hans Martin Birkeland,0,3,муж,21,0,0,7.775,Саутгемптон
+410,Ida Lefebre,0,3,жен,,3,1,25.4667,Саутгемптон
+411,Todor Sdycoff,0,3,муж,,0,0,7.8958,Саутгемптон
+412,Henry Hart,0,3,муж,,0,0,6.8583,Квинстаун
+413,Daisy E Minahan,1,1,жен,33,1,0,90,Квинстаун
+414,Alfred Fleming Cunningham,0,2,муж,,0,0,0,Саутгемптон
+415,Johan Julian Sundman,1,3,муж,44,0,0,7.925,Саутгемптон
+416,Thomas Annie Meek,0,3,жен,,0,0,8.05,Саутгемптон
+417,James Vivian Drew,1,2,жен,34,1,1,32.5,Саутгемптон
+418,Lyyli Karoliina Silven,1,2,жен,18,0,2,13,Саутгемптон
+419,William John Matthews,0,2,муж,30,0,0,13,Саутгемптон
+420,Catharina Van Impe,0,3,жен,10,0,2,24.15,Саутгемптон
+421,Stanio Gheorgheff,0,3,муж,,0,0,7.8958,Шербур
+422,David Charters,0,3,муж,21,0,0,7.7333,Квинстаун
+423,Leo Zimmerman,0,3,муж,29,0,0,7.875,Саутгемптон
+424,Ernst Gilbert Danbom,0,3,жен,28,1,1,14.4,Саутгемптон
+425,Viktor Richard Rosblom,0,3,муж,18,1,1,20.2125,Саутгемптон
+426,Phillippe Wiseman,0,3,муж,,0,0,7.25,Саутгемптон
+427,Charles V Clarke,1,2,жен,28,1,0,26,Саутгемптон
+428,Kate Florence Phillips,1,2,жен,19,0,0,26,Саутгемптон
+429,James Flynn,0,3,муж,,0,0,7.75,Квинстаун
+430,Berk Berk Pickard,1,3,муж,32,0,0,8.05,Саутгемптон
+431,Mauritz Hakan Bjornstrom,1,1,муж,28,0,0,26.55,Саутгемптон
+432,Florence Thorneycroft,1,3,жен,,1,0,16.1,Саутгемптон
+433,Charles Alexander Louch,1,2,жен,42,1,0,26,Саутгемптон
+434,Nikolai Erland Kallio,0,3,муж,17,0,0,7.125,Саутгемптон
+435,William Baird Silvey,0,1,муж,50,1,0,55.9,Саутгемптон
+436,Lucile Polk Carter,1,1,жен,14,1,2,120,Саутгемптон
+437,Doolina Margaret Ford,0,3,жен,21,2,2,34.375,Саутгемптон
+438,Sidney Emily Richards,1,2,жен,24,2,3,18.75,Саутгемптон
+439,Mark Fortune,0,1,муж,64,1,4,263,Саутгемптон
+440,Johan Henrik Kvillner,0,2,муж,31,0,0,10.5,Саутгемптон
+441,Benjamin Esther Hart,1,2,жен,45,1,1,26.25,Саутгемптон
+442,Leon Hampe,0,3,муж,20,0,0,9.5,Саутгемптон
+443,Johan Emil Petterson,0,3,муж,25,1,0,7.775,Саутгемптон
+444,Encarnacion Reynaldo,1,2,жен,28,0,0,13,Саутгемптон
+445,Bernt Bratthammer,1,3,муж,,0,0,8.1125,Саутгемптон
+446,Washington Dodge,1,1,муж,4,0,2,81.8583,Саутгемптон
+447,Madeleine Violet Mellinger,1,2,жен,13,0,1,19.5,Саутгемптон
+448,Frederic Kimber Seward,1,1,муж,34,0,0,26.55,Саутгемптон
+449,Marie Catherine Baclini,1,3,жен,5,2,1,19.2583,Шербур
+450,Arthur Godfrey Peuchen,1,1,муж,52,0,0,30.5,Саутгемптон
+451,Edwy Arthur West,0,2,муж,36,1,2,27.75,Саутгемптон
+452,Ingvald Olai Hagland,0,3,муж,,1,0,19.9667,Саутгемптон
+453,Benjamin Laventall Foreman,0,1,муж,30,0,0,27.75,Шербур
+454,Samuel L Goldenberg,1,1,муж,49,1,0,89.1042,Шербур
+455,Joseph Peduzzi,0,3,муж,,0,0,8.05,Саутгемптон
+456,Ivan Jalsevac,1,3,муж,29,0,0,7.8958,Шербур
+457,Francis Davis Millet,0,1,муж,65,0,0,26.55,Саутгемптон
+458,Frederick R Kenyon,1,1,жен,,1,0,51.8625,Саутгемптон
+459,Ellen Toomey,1,2,жен,50,0,0,10.5,Саутгемптон
+460,Maurice O'Connor,0,3,муж,,0,0,7.75,Квинстаун
+461,Harry Anderson,1,1,муж,48,0,0,26.55,Саутгемптон
+462,William Morley,0,3,муж,34,0,0,8.05,Саутгемптон
+463,Arthur H Gee,0,1,муж,47,0,0,38.5,Саутгемптон
+464,Jacob Christian Milling,0,2,муж,48,0,0,13,Саутгемптон
+465,Simon Maisner,0,3,муж,,0,0,8.05,Саутгемптон
+466,Manuel Estanslas Goncalves,0,3,муж,38,0,0,7.05,Саутгемптон
+467,William Campbell,0,2,муж,,0,0,0,Саутгемптон
+468,John Montgomery Smart,0,1,муж,56,0,0,26.55,Саутгемптон
+469,James Scanlan,0,3,муж,,0,0,7.725,Квинстаун
+470,Helene Barbara Baclini,1,3,жен,0.75,2,1,19.2583,Шербур
+471,Arthur Keefe,0,3,муж,,0,0,7.25,Саутгемптон
+472,Luka Cacic,0,3,муж,38,0,0,8.6625,Саутгемптон
+473,Edwy Arthur West,1,2,жен,33,1,2,27.75,Саутгемптон
+474,Amin S Jerwan,1,2,жен,23,0,0,13.7917,Шербур
+475,Ida Sofia Strandberg,0,3,жен,22,0,0,9.8375,Саутгемптон
+476,George Quincy Clifford,0,1,муж,,0,0,52,Саутгемптон
+477,Peter Henry Renouf,0,2,муж,34,1,0,21,Саутгемптон
+478,Lewis Richard Braund,0,3,муж,29,1,0,7.0458,Саутгемптон
+479,Nils August Karlsson,0,3,муж,22,0,0,7.5208,Саутгемптон
+480,Hildur E Hirvonen,1,3,жен,2,0,1,12.2875,Саутгемптон
+481,Harold Victor Goodwin,0,3,муж,9,5,2,46.9,Саутгемптон
+482,Anthony Wood Frost,0,2,муж,,0,0,0,Саутгемптон
+483,Richard Henry Rouse,0,3,муж,50,0,0,8.05,Саутгемптон
+484,Hedwig Turkula,1,3,жен,63,0,0,9.5875,Саутгемптон
+485,Dickinson H Bishop,1,1,муж,25,1,0,91.0792,Шербур
+486,Jeannie Lefebre,0,3,жен,,3,1,25.4667,Саутгемптон
+487,Frederick Maxfield Hoyt,1,1,жен,35,1,0,90,Саутгемптон
+488,Edward Austin Kent,0,1,муж,58,0,0,29.7,Шербур
+489,Francis William Somerton,0,3,муж,30,0,0,8.05,Саутгемптон
+490,Eden Leslie Coutts,1,3,муж,9,1,1,15.9,Саутгемптон
+491,Konrad Mathias Hagland,0,3,муж,,1,0,19.9667,Саутгемптон
+492,Einar Windelov,0,3,муж,21,0,0,7.25,Саутгемптон
+493,Harry Markland Molson,0,1,муж,55,0,0,30.5,Саутгемптон
+494,Ramon Artagaveytia,0,1,муж,71,0,0,49.5042,Шербур
+495,Edward Roland Stanley,0,3,муж,21,0,0,8.05,Саутгемптон
+496,Gerious Yousseff,0,3,муж,,0,0,14.4583,Шербур
+497,Elizabeth Mussey Eustis,1,1,жен,54,1,0,78.2667,Шербур
+498,Frederick William Shellard,0,3,муж,,0,0,15.1,Саутгемптон
+499,Hudson J Allison,0,1,жен,25,1,2,151.55,Саутгемптон
+500,Olof Svensson,0,3,муж,24,0,0,7.7958,Саутгемптон
+501,Petar Calic,0,3,муж,17,0,0,8.6625,Саутгемптон
+502,Mary Canavan,0,3,жен,21,0,0,7.75,Квинстаун
+503,Bridget Mary O'Sullivan,0,3,жен,,0,0,7.6292,Квинстаун
+504,Kristina Sofia Laitinen,0,3,жен,37,0,0,9.5875,Саутгемптон
+505,Roberta Maioni,1,1,жен,16,0,0,86.5,Саутгемптон
+506,Victor Penasco,0,1,муж,18,1,0,108.9,Шербур
+507,Frederick Charles Quick,1,2,жен,33,0,2,26,Саутгемптон
+508,George George Bradley,1,1,муж,,0,0,26.55,Саутгемптон
+509,Henry Margido Olsen,0,3,муж,28,0,0,22.525,Саутгемптон
+510,Fang Lang,1,3,муж,26,0,0,56.4958,Саутгемптон
+511,Eugene Patrick Daly,1,3,муж,29,0,0,7.75,Квинстаун
+512,James Webber,0,3,муж,,0,0,8.05,Саутгемптон
+513,James Robert McGough,1,1,муж,36,0,0,26.2875,Саутгемптон
+514,Martin Rothschild,1,1,жен,54,1,0,59.4,Шербур
+515,Satio Coleff,0,3,муж,24,0,0,7.4958,Саутгемптон
+516,William Anderson Walker,0,1,муж,47,0,0,34.0208,Саутгемптон
+517,Amelia Milley Lemore,1,2,жен,34,0,0,10.5,Саутгемптон
+518,Patrick Ryan,0,3,муж,,0,0,24.15,Квинстаун
+519,William A Angle,1,2,жен,36,1,0,26,Саутгемптон
+520,Stefo Pavlovic,0,3,муж,32,0,0,7.8958,Саутгемптон
+521,Anne Perreault,1,1,жен,30,0,0,93.5,Саутгемптон
+522,Janko Vovk,0,3,муж,22,0,0,7.8958,Саутгемптон
+523,Sarkis Lahoud,0,3,муж,,0,0,7.225,Шербур
+524,Louis Albert Hippach,1,1,жен,44,0,1,57.9792,Шербур
+525,Fared Kassem,0,3,муж,,0,0,7.2292,Шербур
+526,James Farrell,0,3,муж,40.5,0,0,7.75,Квинстаун
+527,Lucy Ridsdale,1,2,жен,50,0,0,10.5,Саутгемптон
+528,John Farthing,0,1,муж,,0,0,221.7792,Саутгемптон
+529,Johan Werner Salonen,0,3,муж,39,0,0,7.925,Саутгемптон
+530,Richard George Hocking,0,2,муж,23,2,1,11.5,Саутгемптон
+531,Phyllis May Quick,1,2,жен,2,1,1,26,Саутгемптон
+532,Nakli Toufik,0,3,муж,,0,0,7.2292,Шербур
+533,Joseph Jr Elias,0,3,муж,17,1,1,7.2292,Шербур
+534,Catherine Catherine Peter,1,3,жен,,0,2,22.3583,Шербур
+535,Marija Cacic,0,3,жен,30,0,0,8.6625,Саутгемптон
+536,Eva Miriam Hart,1,2,жен,7,0,2,26.25,Саутгемптон
+537,Archibald Willingham Butt,0,1,муж,45,0,0,26.55,Саутгемптон
+538,Bertha LeRoy,1,1,жен,30,0,0,106.425,Шербур
+539,Samuel Beard Risien,0,3,муж,,0,0,14.5,Саутгемптон
+540,Hedwig Frolicher,1,1,жен,22,0,2,49.5,Шербур
+541,Harriet R Crosby,1,1,жен,36,0,2,71,Саутгемптон
+542,Ingeborg Andersson,0,3,жен,9,4,2,31.275,Саутгемптон
+543,Sigrid Andersson,0,3,жен,11,4,2,31.275,Саутгемптон
+544,Edward Beane,1,2,муж,32,1,0,26,Саутгемптон
+545,Walter Donald Douglas,0,1,муж,50,1,0,106.425,Шербур
+546,Arthur Ernest Nicholson,0,1,муж,64,0,0,26,Саутгемптон
+547,Edward Ethel Beane,1,2,жен,19,1,0,26,Саутгемптон
+548,Julian Padro y Manent,1,2,муж,,0,0,13.8625,Шербур
+549,Frank John Goldsmith,0,3,муж,33,1,1,20.525,Саутгемптон
+550,John Morgan Davies,1,2,муж,8,1,1,36.75,Саутгемптон
+551,John Borland Thayer,1,1,муж,17,0,2,110.8833,Шербур
+552,Percival James Sharp,0,2,муж,27,0,0,26,Саутгемптон
+553,Timothy O'Brien,0,3,муж,,0,0,7.8292,Квинстаун
+554,Fahim Philip Leeni,1,3,муж,22,0,0,7.225,Шербур
+555,Velin Ohman,1,3,жен,22,0,0,7.775,Саутгемптон
+556,George Wright,0,1,муж,62,0,0,26.55,Саутгемптон
+557,Lucille Duff Gordon,1,1,жен,48,1,0,39.6,Шербур
+558,Victor Robbins,0,1,муж,,0,0,227.525,Шербур
+559,Emil Tillie Taussig,1,1,жен,39,1,1,79.65,Саутгемптон
+560,Guillaume Messemaeker,1,3,жен,36,1,0,17.4,Саутгемптон
+561,Thomas Rowan Morrow,0,3,муж,,0,0,7.75,Квинстаун
+562,Husein Sivic,0,3,муж,40,0,0,7.8958,Саутгемптон
+563,Robert Douglas Norman,0,2,муж,28,0,0,13.5,Саутгемптон
+564,John Simmons,0,3,муж,,0,0,8.05,Саутгемптон
+565,Marion Ogden Meanwell,0,3,жен,,0,0,8.05,Саутгемптон
+566,Alfred J Davies,0,3,муж,24,2,0,24.15,Саутгемптон
+567,Ilia Stoytcheff,0,3,муж,19,0,0,7.8958,Саутгемптон
+568,Nils Alma Palsson,0,3,жен,29,0,4,21.075,Саутгемптон
+569,Tannous Doharr,0,3,муж,,0,0,7.2292,Шербур
+570,Carl Jonsson,1,3,муж,32,0,0,7.8542,Саутгемптон
+571,George Harris,1,2,муж,62,0,0,10.5,Саутгемптон
+572,Edward Dale Appleton,1,1,жен,53,2,0,51.4792,Саутгемптон
+573,John Irwin Flynn,1,1,муж,36,0,0,26.3875,Саутгемптон
+574,Mary Kelly,1,3,жен,,0,0,7.75,Квинстаун
+575,Alfred George Rush,0,3,муж,16,0,0,8.05,Саутгемптон
+576,George Patchett,0,3,муж,19,0,0,14.5,Саутгемптон
+577,Ethel Garside,1,2,жен,34,0,0,13,Саутгемптон
+578,William Baird Silvey,1,1,жен,39,1,0,55.9,Саутгемптон
+579,Joseph Maria Caram,0,3,жен,,1,0,14.4583,Шербур
+580,Eiriik Jussila,1,3,муж,32,0,0,7.925,Саутгемптон
+581,Julie Rachel Christy,1,2,жен,25,1,1,30,Саутгемптон
+582,John Borland Thayer,1,1,жен,39,1,1,110.8833,Шербур
+583,William James Downton,0,2,муж,54,0,0,26,Саутгемптон
+584,John Hugo Ross,0,1,муж,36,0,0,40.125,Шербур
+585,Uscher Paulner,0,3,муж,,0,0,8.7125,Шербур
+586,Ruth Taussig,1,1,жен,18,0,2,79.65,Саутгемптон
+587,John Denzil Jarvis,0,2,муж,47,0,0,15,Саутгемптон
+588,Maxmillian Frolicher-Stehli,1,1,муж,60,1,1,79.2,Шербур
+589,Eliezer Gilinski,0,3,муж,22,0,0,8.05,Саутгемптон
+590,Joseph Murdlin,0,3,муж,,0,0,8.05,Саутгемптон
+591,Matti Rintamaki,0,3,муж,35,0,0,7.125,Саутгемптон
+592,Walter Bertram Stephenson,1,1,жен,52,1,0,78.2667,Шербур
+593,William James Elsbury,0,3,муж,47,0,0,7.25,Саутгемптон
+594,Mary Bourke,0,3,жен,,0,2,7.75,Квинстаун
+595,John Henry Chapman,0,2,муж,37,1,0,26,Саутгемптон
+596,Jean Baptiste Van Impe,0,3,муж,36,1,1,24.15,Саутгемптон
+597,Jessie Wills Leitch,1,2,жен,,0,0,33,Саутгемптон
+598,Alfred Johnson,0,3,муж,49,0,0,0,Саутгемптон
+599,Hanna Boulos,0,3,муж,,0,0,7.225,Шербур
+600,Cosmo Edmund Duff Gordon,1,1,муж,49,1,0,56.9292,Шербур
+601,Sidney Samuel Jacobsohn,1,2,жен,24,2,1,27,Саутгемптон
+602,Petco Slabenoff,0,3,муж,,0,0,7.8958,Саутгемптон
+603,Charles H Harrington,0,1,муж,,0,0,42.4,Саутгемптон
+604,Ernst William Torber,0,3,муж,44,0,0,8.05,Саутгемптон
+605,Harry Mr Homer,1,1,муж,35,0,0,26.55,Шербур
+606,Edvard Bengtsson Lindell,0,3,муж,36,1,0,15.55,Саутгемптон
+607,Milan Karaic,0,3,муж,30,0,0,7.8958,Саутгемптон
+608,Robert Williams Daniel,1,1,муж,27,0,0,30.5,Саутгемптон
+609,Joseph Juliette Laroche,1,2,жен,22,1,2,41.5792,Шербур
+610,Elizabeth W Shutes,1,1,жен,40,0,0,153.4625,Саутгемптон
+611,Anders Johan Andersson,0,3,жен,39,1,5,31.275,Саутгемптон
+612,Jose Neto Jardin,0,3,муж,,0,0,7.05,Саутгемптон
+613,Margaret Jane Murphy,1,3,жен,,1,0,15.5,Квинстаун
+614,John Horgan,0,3,муж,,0,0,7.75,Квинстаун
+615,William Alfred Brocklebank,0,3,муж,35,0,0,8.05,Саутгемптон
+616,Alice Herman,1,2,жен,24,1,2,65,Саутгемптон
+617,Ernst Gilbert Danbom,0,3,муж,34,1,1,14.4,Саутгемптон
+618,William Arthur Lobb,0,3,жен,26,1,0,16.1,Саутгемптон
+619,Marion Louise Becker,1,2,жен,4,2,1,39,Саутгемптон
+620,Lawrence Gavey,0,2,муж,26,0,0,10.5,Саутгемптон
+621,Antoni Yasbeck,0,3,муж,27,1,0,14.4542,Шербур
+622,Edwin Nelson Kimball,1,1,муж,42,1,0,52.5542,Саутгемптон
+623,Sahid Nakid,1,3,муж,20,1,1,15.7417,Шербур
+624,Henry Damsgaard Hansen,0,3,муж,21,0,0,7.8542,Саутгемптон
+625,David John Bowen,0,3,муж,21,0,0,16.1,Саутгемптон
+626,Frederick Sutton,0,1,муж,61,0,0,32.3208,Саутгемптон
+627,Charles Leonard Kirkland,0,2,муж,57,0,0,12.35,Квинстаун
+628,Gretchen Fiske Longley,1,1,жен,21,0,0,77.9583,Саутгемптон
+629,Guentcho Bostandyeff,0,3,муж,26,0,0,7.8958,Саутгемптон
+630,Patrick D O'Connell,0,3,муж,,0,0,7.7333,Квинстаун
+631,Algernon Henry Barkworth,1,1,муж,80,0,0,30,Саутгемптон
+632,Johan Svensson Lundahl,0,3,муж,51,0,0,7.0542,Саутгемптон
+633,Max Stahelin-Maeglin,1,1,муж,32,0,0,30.5,Шербур
+634,William Henry Parr,0,1,муж,,0,0,0,Саутгемптон
+635,Mabel Skoog,0,3,жен,9,3,2,27.9,Саутгемптон
+636,Mary Davis,1,2,жен,28,0,0,13,Саутгемптон
+637,Antti Gustaf Leinonen,0,3,муж,32,0,0,7.925,Саутгемптон
+638,Harvey Collyer,0,2,муж,31,1,1,26.25,Саутгемптон
+639,Juha Maria Panula,0,3,жен,41,0,5,39.6875,Саутгемптон
+640,Percival Thorneycroft,0,3,муж,,1,0,16.1,Саутгемптон
+641,Hans Peder Jensen,0,3,муж,20,0,0,7.8542,Саутгемптон
+642,Emma Sagesser,1,1,жен,24,0,0,69.3,Шербур
+643,Margit Elizabeth Skoog,0,3,жен,2,3,2,27.9,Саутгемптон
+644,Choong Foo,1,3,муж,,0,0,56.4958,Саутгемптон
+645,Eugenie Baclini,1,3,жен,0.75,2,1,19.2583,Шербур
+646,Henry Sleeper Harper,1,1,муж,48,1,0,76.7292,Шербур
+647,Liudevit Cor,0,3,муж,19,0,0,7.8958,Саутгемптон
+648,Alfons Simonius-Blumer,1,1,муж,56,0,0,35.5,Шербур
+649,Edward Willey,0,3,муж,,0,0,7.55,Саутгемптон
+650,Amy Zillah Stanley,1,3,жен,23,0,0,7.55,Саутгемптон
+651,Mito Mitkoff,0,3,муж,,0,0,7.8958,Саутгемптон
+652,Elsie Doling,1,2,жен,18,0,1,23,Саутгемптон
+653,Johannes Halvorsen Kalvik,0,3,муж,21,0,0,8.4333,Саутгемптон
+654,Hanora Norah O'Leary,1,3,жен,,0,0,7.8292,Квинстаун
+655,Hanora Nora Hegarty,0,3,жен,18,0,0,6.75,Квинстаун
+656,Leonard Mark Hickman,0,2,муж,24,2,0,73.5,Саутгемптон
+657,Alexander Radeff,0,3,муж,,0,0,7.8958,Саутгемптон
+658,John Catherine Bourke,0,3,жен,32,1,1,15.5,Квинстаун
+659,George Floyd Eitemiller,0,2,муж,23,0,0,13,Саутгемптон
+660,Arthur Webster Newell,0,1,муж,58,0,2,113.275,Шербур
+661,Henry William Frauenthal,1,1,муж,50,2,0,133.65,Саутгемптон
+662,Mohamed Badt,0,3,муж,40,0,0,7.225,Шербур
+663,Edward Pomeroy Colley,0,1,муж,47,0,0,25.5875,Саутгемптон
+664,Peju Coleff,0,3,муж,36,0,0,7.4958,Саутгемптон
+665,Eino William Lindqvist,1,3,муж,20,1,0,7.925,Саутгемптон
+666,Lewis Hickman,0,2,муж,32,2,0,73.5,Саутгемптон
+667,Reginald Fenton Butler,0,2,муж,25,0,0,13,Саутгемптон
+668,Knud Paust Rommetvedt,0,3,муж,,0,0,7.775,Саутгемптон
+669,Jacob Cook,0,3,муж,43,0,0,8.05,Саутгемптон
+670,Elmer Zebley Taylor,1,1,жен,,1,0,52,Саутгемптон
+671,Thomas William Brown,1,2,жен,40,1,1,39,Саутгемптон
+672,Thornton Davidson,0,1,муж,31,1,0,52,Саутгемптон
+673,Henry Michael Mitchell,0,2,муж,70,0,0,10.5,Саутгемптон
+674,Charles Wilhelms,1,2,муж,31,0,0,13,Саутгемптон
+675,Ennis Hastings Watson,0,2,муж,,0,0,0,Саутгемптон
+676,Gustaf Hjalmar Edvardsson,0,3,муж,18,0,0,7.775,Саутгемптон
+677,Frederick Charles Sawyer,0,3,муж,24.5,0,0,8.05,Саутгемптон
+678,Anna Sofia Turja,1,3,жен,18,0,0,9.8417,Саутгемптон
+679,Frederick Augusta Goodwin,0,3,жен,43,1,6,46.9,Саутгемптон
+680,Thomas Drake Cardeza,1,1,муж,36,0,1,512.3292,Шербур
+681,Katie Peters,0,3,жен,,0,0,8.1375,Квинстаун
+682,Hammad Hassab,1,1,муж,27,0,0,76.7292,Шербур
+683,Thor Anderson Olsvigen,0,3,муж,20,0,0,9.225,Саутгемптон
+684,Charles Edward Goodwin,0,3,муж,14,5,2,46.9,Саутгемптон
+685,Thomas William Brown,0,2,муж,60,1,1,39,Саутгемптон
+686,Joseph Philippe Laroche,0,2,муж,25,1,2,41.5792,Шербур
+687,Jaako Arnold Panula,0,3,муж,14,4,1,39.6875,Саутгемптон
+688,Branko Dakic,0,3,муж,19,0,0,10.1708,Саутгемптон
+689,Eberhard Thelander Fischer,0,3,муж,18,0,0,7.7958,Саутгемптон
+690,Georgette Alexandra Madill,1,1,жен,15,0,1,211.3375,Саутгемптон
+691,Albert Adrian Dick,1,1,муж,31,1,0,57,Саутгемптон
+692,Manca Karun,1,3,жен,4,0,1,13.4167,Шербур
+693,Ali Lam,1,3,муж,,0,0,56.4958,Саутгемптон
+694,Khalil Saad,0,3,муж,25,0,0,7.225,Шербур
+695,John Weir,0,1,муж,60,0,0,26.55,Саутгемптон
+696,Charles Henry Chapman,0,2,муж,52,0,0,13.5,Саутгемптон
+697,James Kelly,0,3,муж,44,0,0,8.05,Саутгемптон
+698,Katherine Katie Mullens,1,3,жен,,0,0,7.7333,Квинстаун
+699,John Borland Thayer,0,1,муж,49,1,1,110.8833,Шербур
+700,Adolf Mathias Humblen,0,3,муж,42,0,0,7.65,Саутгемптон
+701,John Jacob Astor,1,1,жен,18,1,0,227.525,Шербур
+702,Spencer Victor Silverthorne,1,1,муж,35,0,0,26.2875,Саутгемптон
+703,Saiide Barbara,0,3,жен,18,0,1,14.4542,Шербур
+704,Martin Gallagher,0,3,муж,25,0,0,7.7417,Квинстаун
+705,Henrik Juul Hansen,0,3,муж,26,1,0,7.8542,Саутгемптон
+706,Henry Samuel Morley,0,2,муж,39,0,0,26,Саутгемптон
+707,Florence Fannie Kelly,1,2,жен,45,0,0,13.5,Саутгемптон
+708,Edward Calderhead,1,1,муж,42,0,0,26.2875,Саутгемптон
+709,Alice Cleaver,1,1,жен,22,0,0,151.55,Саутгемптон
+710,Halim Gonios Moubarek,1,3,муж,,1,1,15.2458,Шербур
+711,Berthe Antonine Mayne,1,1,жен,24,0,0,49.5042,Шербур
+712,Herman Klaber,0,1,муж,,0,0,26.55,Саутгемптон
+713,Elmer Zebley Taylor,1,1,муж,48,1,0,52,Саутгемптон
+714,August Viktor Larsson,0,3,муж,29,0,0,9.4833,Саутгемптон
+715,Samuel Greenberg,0,2,муж,52,0,0,13,Саутгемптон
+716,Peter Andreas Soholt,0,3,муж,19,0,0,7.65,Саутгемптон
+717,Caroline Louise Endres,1,1,жен,38,0,0,227.525,Шербур
+718,Edwina Celia Troutt,1,2,жен,27,0,0,10.5,Саутгемптон
+719,Michael McEvoy,0,3,муж,,0,0,15.5,Квинстаун
+720,Malkolm Joackim Johnson,0,3,муж,33,0,0,7.775,Саутгемптон
+721,Annie Jessie Harper,1,2,жен,6,0,1,33,Саутгемптон
+722,Svend Lauritz Jensen,0,3,муж,17,1,0,7.0542,Саутгемптон
+723,William Henry Gillespie,0,2,муж,34,0,0,13,Саутгемптон
+724,Henry Price Hodges,0,2,муж,50,0,0,13,Саутгемптон
+725,Norman Campbell Chambers,1,1,муж,27,1,0,53.1,Саутгемптон
+726,Luka Oreskovic,0,3,муж,20,0,0,8.6625,Саутгемптон
+727,Peter Henry Renouf,1,2,жен,30,3,0,21,Саутгемптон
+728,Margareth Mannion,1,3,жен,,0,0,7.7375,Квинстаун
+729,Kurt Arnold Bryhl,0,2,муж,25,1,0,26,Саутгемптон
+730,Pieta Sofia Ilmakangas,0,3,жен,25,1,0,7.925,Саутгемптон
+731,Elisabeth Walton Allen,1,1,жен,29,0,0,211.3375,Саутгемптон
+732,Houssein G Hassan,0,3,муж,11,0,0,18.7875,Шербур
+733,Robert J Knight,0,2,муж,,0,0,0,Саутгемптон
+734,William John Berriman,0,2,муж,23,0,0,13,Саутгемптон
+735,Moses Aaron Troupiansky,0,2,муж,23,0,0,13,Саутгемптон
+736,Leslie Williams,0,3,муж,28.5,0,0,16.1,Саутгемптон
+737,Edward Margaret Ford,0,3,жен,48,1,3,34.375,Саутгемптон
+738,Gustave J Lesurer,1,1,муж,35,0,0,512.3292,Шербур
+739,Kanio Ivanoff,0,3,муж,,0,0,7.8958,Саутгемптон
+740,Minko Nankoff,0,3,муж,,0,0,7.8958,Саутгемптон
+741,Walter James Hawksford,1,1,муж,,0,0,30,Саутгемптон
+742,Tyrell William Cavendish,0,1,муж,36,1,0,78.85,Саутгемптон
+743,Susan Parker Ryerson,1,1,жен,21,2,2,262.375,Шербур
+744,Neal McNamee,0,3,муж,24,1,0,16.1,Саутгемптон
+745,Juho Stranden,1,3,муж,31,0,0,7.925,Саутгемптон
+746,Edward Gifford Crosby,0,1,муж,70,1,1,71,Саутгемптон
+747,Rossmore Edward Abbott,0,3,муж,16,1,1,20.25,Саутгемптон
+748,Anna Sinkkonen,1,2,жен,30,0,0,13,Саутгемптон
+749,Daniel Warner Marvin,0,1,муж,19,1,0,53.1,Саутгемптон
+750,Michael Connaghton,0,3,муж,31,0,0,7.75,Квинстаун
+751,Joan Wells,1,2,жен,4,1,1,23,Саутгемптон
+752,Meier Moor,1,3,муж,6,0,1,12.475,Саутгемптон
+753,Johannes Vande Velde,0,3,муж,33,0,0,9.5,Саутгемптон
+754,Lalio Jonkoff,0,3,муж,23,0,0,7.8958,Саутгемптон
+755,Samuel Jane Herman,1,2,жен,48,1,2,65,Саутгемптон
+756,Viljo Hamalainen,1,2,муж,0.67,1,1,14.5,Саутгемптон
+757,August Sigfrid Carlsson,0,3,муж,28,0,0,7.7958,Саутгемптон
+758,Percy Andrew Bailey,0,2,муж,18,0,0,11.5,Саутгемптон
+759,Thomas Leonard Theobald,0,3,муж,34,0,0,8.05,Саутгемптон
+760,of Lucy Rothes,1,1,жен,33,0,0,86.5,Саутгемптон
+761,John Garfirth,0,3,муж,,0,0,14.5,Саутгемптон
+762,Iisakki Antino Nirva,0,3,муж,41,0,0,7.125,Саутгемптон
+763,Hanna Assi Barah,1,3,муж,20,0,0,7.2292,Шербур
+764,William Ernest Carter,1,1,жен,36,1,2,120,Саутгемптон
+765,Hans Linus Eklund,0,3,муж,16,0,0,7.775,Саутгемптон
+766,John C Hogeboom,1,1,жен,51,1,0,77.9583,Саутгемптон
+767,Arthur Jackson Brewe,0,1,муж,,0,0,39.6,Шербур
+768,Mary Mangan,0,3,жен,30.5,0,0,7.75,Квинстаун
+769,Daniel J Moran,0,3,муж,,1,0,24.15,Квинстаун
+770,Daniel Gronnestad,0,3,муж,32,0,0,8.3625,Саутгемптон
+771,Rene Aime Lievens,0,3,муж,24,0,0,9.5,Саутгемптон
+772,Niels Peder Jensen,0,3,муж,48,0,0,7.8542,Саутгемптон
+773,Mary Mack,0,2,жен,57,0,0,10.5,Саутгемптон
+774,Dibo Elias,0,3,муж,,0,0,7.225,Шербур
+775,Elizabeth Eliza Hocking,1,2,жен,54,1,3,23,Саутгемптон
+776,Pehr Fabian Myhrman,0,3,муж,18,0,0,7.75,Саутгемптон
+777,Roger Tobin,0,3,муж,,0,0,7.75,Квинстаун
+778,Virginia Ethel Emanuel,1,3,жен,5,0,0,12.475,Саутгемптон
+779,Thomas J Kilgannon,0,3,муж,,0,0,7.7375,Квинстаун
+780,Edward Scott Robert,1,1,жен,43,0,1,211.3375,Саутгемптон
+781,Banoura Ayoub,1,3,жен,13,0,0,7.2292,Шербур
+782,Albert Adrian Dick,1,1,жен,17,1,0,57,Саутгемптон
+783,Milton Clyde Long,0,1,муж,29,0,0,30,Саутгемптон
+784,Andrew G Johnston,0,3,муж,,1,2,23.45,Саутгемптон
+785,William Ali,0,3,муж,25,0,0,7.05,Саутгемптон
+786,Abraham David Harmer,0,3,муж,25,0,0,7.25,Саутгемптон
+787,Anna Sofia Sjoblom,1,3,жен,18,0,0,7.4958,Саутгемптон
+788,George Hugh Rice,0,3,муж,8,4,1,29.125,Квинстаун
+789,Bertram Vere Dean,1,3,муж,1,1,2,20.575,Саутгемптон
+790,Benjamin Guggenheim,0,1,муж,46,0,0,79.2,Шербур
+791,Andrew Andy Keane,0,3,муж,,0,0,7.75,Квинстаун
+792,Alfred Gaskell,0,2,муж,16,0,0,26,Саутгемптон
+793,Stella Anna Sage,0,3,жен,,8,2,69.55,Саутгемптон
+794,William Fisher Hoyt,0,1,муж,,0,0,30.6958,Шербур
+795,Ristiu Dantcheff,0,3,муж,25,0,0,7.8958,Саутгемптон
+796,Richard Otter,0,2,муж,39,0,0,13,Саутгемптон
+797,Alice Farnham Leader,1,1,жен,49,0,0,25.9292,Саутгемптон
+798,Mara Osman,1,3,жен,31,0,0,8.6833,Саутгемптон
+799,Yousseff Ibrahim Shawah,0,3,муж,30,0,0,7.2292,Шербур
+800,Jean Baptiste Van Impe,0,3,жен,30,1,1,24.15,Саутгемптон
+801,Martin Ponesell,0,2,муж,34,0,0,13,Саутгемптон
+802,Harvey Charlotte Collyer,1,2,жен,31,1,1,26.25,Саутгемптон
+803,William Thornton Carter,1,1,муж,11,1,2,120,Саутгемптон
+804,Assad Alexander Thomas,1,3,муж,0.42,0,1,8.5167,Шербур
+805,Oskar Arvid Hedman,1,3,муж,27,0,0,6.975,Саутгемптон
+806,Karl Johan Johansson,0,3,муж,31,0,0,7.775,Саутгемптон
+807,Thomas Jr Andrews,0,1,муж,39,0,0,0,Саутгемптон
+808,Ellen Natalia Pettersson,0,3,жен,18,0,0,7.775,Саутгемптон
+809,August Meyer,0,2,муж,39,0,0,13,Саутгемптон
+810,Norman Campbell Chambers,1,1,жен,33,1,0,53.1,Саутгемптон
+811,William Alexander,0,3,муж,26,0,0,7.8875,Саутгемптон
+812,James Lester,0,3,муж,39,0,0,24.15,Саутгемптон
+813,Richard James Slemen,0,2,муж,35,0,0,10.5,Саутгемптон
+814,Ebba Iris Andersson,0,3,жен,6,4,2,31.275,Саутгемптон
+815,Ernest Portage Tomlin,0,3,муж,30.5,0,0,8.05,Саутгемптон
+816,Richard Fry,0,1,муж,,0,0,0,Саутгемптон
+817,Wendla Maria Heininen,0,3,жен,23,0,0,7.925,Саутгемптон
+818,Albert Mallet,0,2,муж,31,1,1,37.0042,Шербур
+819,John Fredrik Holm,0,3,муж,43,0,0,6.45,Саутгемптон
+820,Karl Thorsten Skoog,0,3,муж,10,3,2,27.9,Саутгемптон
+821,Charles Melville Hays,1,1,жен,52,1,1,93.5,Саутгемптон
+822,Nikola Lulic,1,3,муж,27,0,0,8.6625,Саутгемптон
+823,John George Reuchlin,0,1,муж,38,0,0,0,Саутгемптон
+824,Beila Moor,1,3,жен,27,0,1,12.475,Саутгемптон
+825,Urho Abraham Panula,0,3,муж,2,4,1,39.6875,Саутгемптон
+826,John Flynn,0,3,муж,,0,0,6.95,Квинстаун
+827,Len Lam,0,3,муж,,0,0,56.4958,Саутгемптон
+828,Andre Mallet,1,2,муж,1,0,2,37.0042,Шербур
+829,Thomas Joseph McCormack,1,3,муж,,0,0,7.75,Квинстаун
+830,George Nelson Stone,1,1,жен,62,0,0,80,
+831,Antoni Selini Yasbeck,1,3,жен,15,1,0,14.4542,Шербур
+832,George Sibley Richards,1,2,муж,0.83,1,1,18.75,Саутгемптон
+833,Amin Saad,0,3,муж,,0,0,7.2292,Шербур
+834,Albert Augustsson,0,3,муж,23,0,0,7.8542,Саутгемптон
+835,Owen George Allum,0,3,муж,18,0,0,8.3,Саутгемптон
+836,Sara Rebecca Compton,1,1,жен,39,1,1,83.1583,Шербур
+837,Jakob Pasic,0,3,муж,21,0,0,8.6625,Саутгемптон
+838,Maurice Sirota,0,3,муж,,0,0,8.05,Саутгемптон
+839,Chang Chip,1,3,муж,32,0,0,56.4958,Саутгемптон
+840,Pierre Marechal,1,1,муж,,0,0,29.7,Шербур
+841,Ilmari Rudolf Alhomaki,0,3,муж,20,0,0,7.925,Саутгемптон
+842,Thomas Charles Mudd,0,2,муж,16,0,0,10.5,Саутгемптон
+843,Augusta Serepeca,1,1,жен,30,0,0,31,Шербур
+844,Peter L Lemberopolous,0,3,муж,34.5,0,0,6.4375,Шербур
+845,Jeso Culumovic,0,3,муж,17,0,0,8.6625,Саутгемптон
+846,Anthony Abbing,0,3,муж,42,0,0,7.55,Саутгемптон
+847,Douglas Bullen Sage,0,3,муж,,8,2,69.55,Саутгемптон
+848,Marin Markoff,0,3,муж,35,0,0,7.8958,Шербур
+849,John Harper,0,2,муж,28,0,1,33,Саутгемптон
+850,Samuel L Goldenberg,1,1,жен,,1,0,89.1042,Шербур
+851,Sigvard Harald Andersson,0,3,муж,4,4,2,31.275,Саутгемптон
+852,Johan Svensson,0,3,муж,74,0,0,7.775,Саутгемптон
+853,Nourelain Boulos,0,3,жен,9,1,1,15.2458,Шербур
+854,Mary Conover Lines,1,1,жен,16,0,1,39.4,Саутгемптон
+855,Ernest Courtenay Carter,0,2,жен,44,1,0,26,Саутгемптон
+856,Sam Leah Aks,1,3,жен,18,0,1,9.35,Саутгемптон
+857,George Dennick Wick,1,1,жен,45,1,1,164.8667,Саутгемптон
+858,Peter Denis Daly,1,1,муж,51,0,0,26.55,Саутгемптон
+859,Solomon Latifa Baclini,1,3,жен,24,0,3,19.2583,Шербур
+860,Raihed Razi,0,3,муж,,0,0,7.2292,Шербур
+861,Claus Peter Hansen,0,3,муж,41,2,0,14.1083,Саутгемптон
+862,Frederick Edward Giles,0,2,муж,21,1,0,11.5,Саутгемптон
+863,Frederick Joel Swift,1,1,жен,48,0,0,25.9292,Саутгемптон
+864,Dorothy Edith Sage,0,3,жен,,8,2,69.55,Саутгемптон
+865,John William Gill,0,2,муж,24,0,0,13,Саутгемптон
+866,Karolina Bystrom,1,2,жен,42,0,0,13,Саутгемптон
+867,Asuncion Duran y More,1,2,жен,27,1,0,13.8583,Шербур
+868,Washington Roebling,0,1,муж,31,0,0,50.4958,Саутгемптон
+869,Philemon van Melkebeke,0,3,муж,,0,0,9.5,Саутгемптон
+870,Harold Theodor Johnson,1,3,муж,4,1,1,11.1333,Саутгемптон
+871,Cerin Balkic,0,3,муж,26,0,0,7.8958,Саутгемптон
+872,Richard Leonard Beckwith,1,1,жен,47,1,1,52.5542,Саутгемптон
+873,Frans Olof Carlsson,0,1,муж,33,0,0,5,Саутгемптон
+874,Victor Vander Cruyssen,0,3,муж,47,0,0,9,Саутгемптон
+875,Samuel Hannah Abelson,1,2,жен,28,1,0,24,Шербур
+876,Adele Kiamie Najib,1,3,жен,15,0,0,7.225,Шербур
+877,Alfred Ossian Gustafsson,0,3,муж,20,0,0,9.8458,Саутгемптон
+878,Nedelio Petroff,0,3,муж,19,0,0,7.8958,Саутгемптон
+879,Kristo Laleff,0,3,муж,,0,0,7.8958,Саутгемптон
+880,Thomas Jr Potter,1,1,жен,56,0,1,83.1583,Шербур
+881,William Imanita Shelley,1,2,жен,25,0,1,26,Саутгемптон
+882,Johann Markun,0,3,муж,33,0,0,7.8958,Саутгемптон
+883,Gerda Ulrika Dahlberg,0,3,жен,22,0,0,10.5167,Саутгемптон
+884,Frederick James Banfield,0,2,муж,28,0,0,10.5,Саутгемптон
+885,Henry Jr Sutehall,0,3,муж,25,0,0,7.05,Саутгемптон
+886,William Margaret Rice,0,3,жен,39,0,5,29.125,Квинстаун
+887,Juozas Montvila,0,2,муж,27,0,0,13,Саутгемптон
+888,Margaret Edith Graham,1,1,жен,19,0,0,30,Саутгемптон
+889,Catherine Helen Johnston,0,3,жен,,1,2,23.45,Саутгемптон
+890,Karl Howell Behr,1,1,муж,26,0,0,30,Шербур
+891,Patrick Dooley,0,3,муж,32,0,0,7.75,Квинстаун

ReleaseGenerators/Files/Datasets/titanic_ru.meta

@@ -0,0 +1,64 @@
+name = TitanicRu
+
+task = classification
+
+features = Класс,Пол,Возраст,БратьяИСупруги,РодителиИДети,ЦенаБилета,ПортПосадки
+target = Выжил
+
+description.en = Titanic passengers dataset with simplified Russian column names for binary survival classification.
+description.ru = Датасет пассажиров Титаника с упрощёнными русскими названиями полей для задачи бинарной классификации выживания.
+
+source = Kaggle: Titanic - Machine Learning from Disaster
+url = https://www.kaggle.com/competitions/titanic/data
+
+feature.Id = int
+feature.Имя = categorical
+feature.Выжил = categorical
+feature.Класс = categorical
+feature.Пол = categorical
+feature.Возраст = float
+feature.БратьяИСупруги = int
+feature.РодителиИДети = int
+feature.ЦенаБилета = float
+feature.ПортПосадки = categorical
+
+feature.Id.ru = номер пассажира
+feature.Имя.ru = имя пассажира
+feature.Выжил.ru = выжил
+feature.Класс.ru = класс билета
+feature.Пол.ru = пол
+feature.Возраст.ru = возраст
+feature.БратьяИСупруги.ru = количество братьев, сестёр и супругов на борту
+feature.РодителиИДети.ru = количество родителей и детей на борту
+feature.ЦенаБилета.ru = цена билета
+feature.ПортПосадки.ru = порт посадки
+
+feature.Id.en = passenger id
+feature.Имя.en = passenger name
+feature.Выжил.en = survived
+feature.Класс.en = passenger class
+feature.Пол.en = sex
+feature.Возраст.en = age
+feature.БратьяИСупруги.en = siblings and spouses aboard
+feature.РодителиИДети.en = parents and children aboard
+feature.ЦенаБилета.en = ticket fare
+feature.ПортПосадки.en = port of embarkation
+
+value.Выжил.0.ru = не выжил
+value.Выжил.1.ru = выжил
+value.Выжил.0.en = did not survive
+value.Выжил.1.en = survived
+
+value.Класс.1.ru = первый класс
+value.Класс.2.ru = второй класс
+value.Класс.3.ru = третий класс
+value.Класс.1.en = first class
+value.Класс.2.en = second class
+value.Класс.3.en = third class
+
+value.Пол.муж.en = male
+value.Пол.жен.en = female
+
+value.ПортПосадки.Саутгемптон.en = Southampton
+value.ПортПосадки.Шербур.en = Cherbourg
+value.ПортПосадки.Квинстаун.en = Queenstown

ReleaseGenerators/PascalABCNET_version.nsh

@@ -1 +1 @@
-!define VERSION '3.11.1.3812'
+!define VERSION '3.11.1.3814'

TestSuite/_MachineLearning/Core/001_labels_to_ints_strict.pas

@@ -0,0 +1,15 @@
+uses MLABC;
+uses TestHelpers in '..\TestHelpers.pas';
+
+begin
+  var y := new Vector(Arr(0.0, 0.9999999999999, 2.0000000000001));
+  var labels := LabelsToInts(y);
+
+  Check(labels.Length = 3, 'Length mismatch');
+  Check(labels[0] = 0, 'First label mismatch');
+  Check(labels[1] = 1, 'Second label mismatch');
+  Check(labels[2] = 2, 'Third label mismatch');
+
+  var bad := new Vector(Arr(0.0, 1.2, 2.0));
+  CheckRaises(procedure -> begin var tmp := LabelsToInts(bad); end, 'LabelsToInts must reject non-integer labels');
+end.

TestSuite/_MachineLearning/Core/002_vector_tointarray_strict.pas

@@ -0,0 +1,15 @@
+uses MLABC;
+uses TestHelpers in '..\TestHelpers.pas';
+
+begin
+  var ok := new Vector(Arr(1.0, 1.9999999999999, -3.0000000000001));
+  var a := ok.ToIntArray;
+
+  Check(a.Length = 3, 'Length mismatch');
+  Check(a[0] = 1, 'First value mismatch');
+  Check(a[1] = 2, 'Second value mismatch');
+  Check(a[2] = -3, 'Third value mismatch');
+
+  var bad := new Vector(Arr(1.2, 2.0));
+  CheckRaises(procedure -> begin var tmp := bad.ToIntArray; end, 'ToIntArray must reject non-integer values');
+end.

TestSuite/_MachineLearning/Core/003_dataframe_setschema_validation.pas

@@ -0,0 +1,15 @@
+uses MLABC, DataFrameABCCore;
+uses TestHelpers in '..\TestHelpers.pas';
+
+begin
+  var df := new DataFrame;
+  df.AddStrColumn('City', Arr('Msk', 'Spb'));
+  df.AddIntColumn('Age', Arr(20, 30));
+  df := df.SetCategorical(['City']);
+
+  var badName := new DataFrameSchema(Arr('Town', 'Age'), Arr(ColumnType.ctStr, ColumnType.ctInt), Arr(true, false));
+  CheckRaises(procedure -> begin df.SetSchema(badName); end, 'SetSchema must reject name mismatch');
+
+  var badType := new DataFrameSchema(Arr('City', 'Age'), Arr(ColumnType.ctBool, ColumnType.ctInt), Arr(true, false));
+  CheckRaises(procedure -> begin df.SetSchema(badType); end, 'SetSchema must reject type mismatch');
+end.