數(shù)據(jù)挖掘試驗報告

1、數(shù)據(jù)挖掘Weka實驗報告姓名學(xué)號_指導(dǎo)教師開課學(xué)期2015至2016學(xué)年2學(xué)期完成日期2015年6月12日1.實驗?zāi)康幕?http: /ml/datasets/Breast+Cancer+WiscOnsin+%28Ori-ginal%29 的數(shù)據(jù)，使用數(shù)據(jù)挖掘中的分類算法，運(yùn)用 Weka 平臺的基本功能對數(shù)據(jù)集進(jìn)行分類，對算法結(jié)果進(jìn)行性能比較，畫出性能比較圖，另外針對不同數(shù)量的訓(xùn)練集進(jìn)行對比實驗，并畫出性能比較圖訓(xùn)練并測試。2 .實驗環(huán)境實驗采用Weka平臺，數(shù)據(jù)使用來自/ml/Datasets/Br-e

2、ast+Cancer+WiscOnsin+%28Original%29主要使用其中的 BreastCancerWisconsin（Original）DataSet 數(shù)據(jù)。Weka 是懷卡托智能分析系統(tǒng)的縮寫，該系統(tǒng)由新西蘭懷卡托大學(xué)開發(fā)。 Weka 使用 Java 寫成的， 并且限制在 GNU 通用公共證書的條件下發(fā)布。它可以運(yùn)行于幾乎所有操作平臺，是一款免費(fèi)的，非商業(yè)化的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件。Weka 提供了一個統(tǒng)一界面,可結(jié)合預(yù)處理以及后處理方法，將許多不同的學(xué)習(xí)算法應(yīng)用于任何所給的數(shù)據(jù)集，并評估由不同的學(xué)習(xí)方案所得出的結(jié)果。3 .實驗步驟3.1 數(shù)據(jù)預(yù)處理本實驗是針對威斯康辛州（原始

3、）的乳腺癌數(shù)據(jù)集進(jìn)行分類，該表含有Samplecodenumber（樣本代碼），ClumpThickness.（叢厚度）,UniformityofCellSize（均勻的細(xì)胞大?。?， UniformityofCellShape （均勻的細(xì)胞形狀） ， MarginalAdhesion（邊際木連），SingleEpithelialCellSize（單一的上皮細(xì)胞大小），BareNuclei（裸核）,BlandChromatin（平淡的染色質(zhì)）,NormalNucleoli（正常的核仁），Mitoses（有絲分裂），Class（分類），其中第二項到第十項取值均為 1-10,分類中 2 代表良性，

4、4代表惡性。通過實驗，希望能找出患乳腺癌客戶各指標(biāo)的分布情況。該數(shù)據(jù)的數(shù)據(jù)屬性如下：1. Samplecodenumber（numeric）,樣本代碼；2. ClumpThickness（numeric）,叢厚度;3. UniformityofCellSize（numeric）均勻的細(xì)胞大?。?. UniformityofCellShape（numeric）,均勻的細(xì)胞形狀；5. MarginalAdhesion（numeric）,邊際粘連；6.SingleEpithelialCellSize（numeric）,單一的上皮細(xì)胞大??；7.BareNuclei（numeric）,裸核；8.Blan

5、dChromatin（numeric）,平淡的染色質(zhì)；9 .NormalNucleoli（numeric）,正常的核仁；10 .Mitoses（numeric）,有絲分裂；11 .Class（enum）,分類。122 數(shù)據(jù)分析由 http:/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori-ginal%29 得到一組由逗號隔開的數(shù)據(jù)，復(fù)制粘貼至 excel 表中，選擇數(shù)據(jù)一一分列一一下一步一一逗號一一完成，該數(shù)據(jù)是有關(guān)乳腺癌數(shù)據(jù)集，有 11 個屬性，分別為 Samplecodenumber 樣本代碼） ，ClumpThi

6、ckness 叢厚度） ， UniformityofCellSize（均勻的細(xì)月 fi 大小） ， UniformityofCellShape （均勻的細(xì)胞形狀） ， MarginalAdhesion（邊際粘連）,SingleEpithelialCellSize（單一的上皮細(xì)胞大?。?BareNuclei（裸核）,BlandChromatin（平淡的染色質(zhì)）,NormalNucleoli（正常的核仁），Mitoses（有絲分裂），Class（分類），因為復(fù)制粘貼過來的數(shù)據(jù)沒有屬性，所以手工添加一行屬性名。Weka 分類數(shù)據(jù)需把 excel 保存為一個 csv 文件。1.1.1.csv-.arf

7、f將 CSV 專換為 ARFF 最迅捷的辦法是使用 WEK 所帶的命令行工具打開 weka,之后出現(xiàn) GUI 界面，如圖 1 所示:（圖 1）點擊進(jìn)入“Exploer”模塊，要將.csv 格式轉(zhuǎn)換為.arff 格式，點擊 openfile.,打開剛保存的“乳腺癌數(shù)據(jù)集.csv”，點擊“Save.,將文件保存為“乳腺癌數(shù)據(jù)集.csv.arff”如圖 2 所示：QWekaExploreir（圖 2）圖 3 中顯示的是使用“Exploer”打開“乳腺癌數(shù)據(jù)集.csv.arff”的情況如圖 3 所示:（圖 3）3.2.2 數(shù)據(jù)預(yù)處理很明顯發(fā)現(xiàn)，所用的數(shù)據(jù)都是（numeric）數(shù)值型的，需要將數(shù)值型離散

8、化，將“ClumpThickness”,“UniformityofCellSize”,“UniformityofCellShape,“MarginalAdhesion”,“MarginalAdhesion”,“BareNuclei”“BlandChromatin，NormalNucleoli，Mitoses,Class”離散化。我們需要借助 Weka 中名為“Discretize”的 Filter 來完成。在區(qū)域 2 中點“Choose,出現(xiàn)一棵“Filter 樹”,逐級找到“weka.filters.unsupervised.attribute.Discretize”點擊，即可得到如下所示的

9、圖，如圖 4 所示：（圖 4）現(xiàn)在“Choose旁邊的文本框應(yīng)該顯示“Discretize-B10-M-0.1-Rfirst-last”。如圖箭頭所示，點擊這個文本框會彈出新窗口以修改離散化的參數(shù)。我們需將第1,2,3,4,5,6,7,8,9,10 項離散化，其中第一項為 id,可移除。把 attributeIndices 右邊改成“1,2,3,4,5,6,7,8,9,10。我們把這兩個屬性都分成 10 段，于是把“bins”改成“10”。其它不變。點“OK”回到“Explorer，可以看到“ClumpThickness”，UniformityofCellSize，UniformityofCe

10、llShape”,MarginalAdhesion”，“MarginalAdhesion”,“BareNuclei”,“BlandChromatin”,“NormalNucleoli，“Mitoses”，已經(jīng)被離散化成分類型的屬性。經(jīng)移除后剩 10 項屬性，其中一項如圖 5 所示，10 項屬性可視化如圖 6 所示：SaiEiL一QWIIML.QPTI。甌grMBh”IfafaKii.*iSim.FU-Qi-sAiseieti-B10-.0-R1,2.包c0研，Pi.anet10RH0V（圖 5）（圖 6）在進(jìn)行數(shù)據(jù)搜集和整理的過程中，我們發(fā)現(xiàn)如果屬性的類型為數(shù)值型的話，在做關(guān)聯(lián)分析時將不能得到

11、結(jié)果，可以比較圖 3 和圖 5,圖 3 是數(shù)值型，圖 5 是數(shù)據(jù)離散化之后的。因為關(guān)聯(lián)分析無法處理數(shù)值型數(shù)據(jù)，因此，我們進(jìn)行了數(shù)據(jù)離散處理后使得需要分析的數(shù)據(jù)變?yōu)榉诸愋停@樣就可以關(guān)聯(lián)分析得以順利進(jìn)行。因此通過預(yù)處理數(shù)據(jù)可以提高原數(shù)據(jù)的質(zhì)量，清除數(shù)據(jù)噪聲和與挖掘目標(biāo)無關(guān)的數(shù)據(jù)，為進(jìn)一步的挖掘工作莫定可靠的基礎(chǔ)。3.3 數(shù)據(jù)分類算法針對這些有關(guān)乳腺癌數(shù)據(jù)集，主要分別采用的分類方法是決策樹算法、K均值算法、樸素貝葉斯分類算法。由于該數(shù)據(jù)集有 10 個屬性，則下文中對每個屬性進(jìn)行分類的步驟大致相同，由于篇幅原因，只截取其中兩個屬性，現(xiàn)在就所選截屏屬性作中明，選第一項 ClumpThickness（叢

12、厚度）和第九項 Mitoses（有絲分裂）。3.3.1決策樹分類用“Explorer”打開剛才得到的“乳腺癌數(shù)據(jù)集.csv.af”，并切換到“Class”。點“Choosef 按鈕選擇“tree(weka.classfiers.trees.j48),這是 Weka 中實現(xiàn)的決策樹算法。選才 CCross-Validatioinfolds=10,選擇圖中箭頭指向選擇屬性，然后點擊“start”按鈕。得到結(jié)果如圖 7 和圖 8 所示:0WekaExplorerFriir4csdsfy匚usttr|JLwQcidinnttributtsVisusliz*CLu-lkfh*11CfewvitJW-C0

13、.25-H219:23:10-tr*c.J41:37:1319.37:25trtes.J4Strnas.J4S1937:33-tn白九J42137-33-118：37：44-tres.J4S19.37:50tFEKS.J48193302trAS.J4S1936OS-triJ4iS19：44：4S-trfleE.J4S=.Stz-atiiedcroas-vaLid-at.ian-=Sjcrary.Csrr-eeclyClassifiedIZLacanceB1B226-D3724IneonrectLyClafsxfied.Inatanczes51773.9626%Keppsstatintiu口.1

14、2Meanatsoluizeerror0.1611RDG!Qneansquarederrar0.3109Relative也無）與亡&rr&r9ml.ML&3tnXa-tivEac（uar-eCFEO-C1Q5-SBl4TorsiMust%安ofInaT.anccs=口et-LleaAeeuraeyByCLAAJ=TPRaucFfRdtc*PrecisionCCAIIF-HeitsiarcRDCJ0.TS30.3740.3570.7930.493a.Po.020*015o.agi0.020.D330.4OL口“a.OSS0.0930.046O.D20J0,0-750,03

15、0.2140.0750.1110,50.1310.123Q.1950.131a.1570 20力290.0170.0B30.029a.D43a.Sr-a口0-!pomgaoo.osio-ioe3的的0,094G,0Or0100/f|qiClasBifieronArut（圖7）（圖 8）這個是針對第一項 ClumpThickness 叢厚度和第九項 Mitoses 有絲分裂項運(yùn)用 C4.5 決策算法得到誤差分析的結(jié)果，分析可知總共有 699 個數(shù)據(jù)進(jìn)行分類,ClumpThickness（叢厚度）其中 102 個為正確分類，正確分類率為 26.03726%,517個為錯誤分類，錯誤分類為 73.9

16、268%而第九項 Mitoses 有絲分裂項也是分析 699 個數(shù)據(jù)，其中正確分類有 579 個數(shù)據(jù)，正確率為 82.8326%,錯誤分類的有 120 個，錯誤分類的有 17.1674%根據(jù)混淆矩陣，被錯誤分類實例很多，錯綜復(fù)雜，如圖 9 所示:CTonfLisienMatrix=abcf?h1j-ledas115412111002001a =1(-inf-1,913S101e00Q021b二1(i.9-2,e,525716o12c7Ic-T(2.e-3-739111611213061d=1(3*7-4.*49215e171291Ie=,(4.6-5-5ve0307112111If =1(5*

17、5-6.41212i400229Ig =4-7印，1口5i51142261h =,(7*3-8.2*nr0132r.rQ8Ii -*(B.2-9-1,2012557131331j -1(9.1-inf)(=ConfusionMatrix=abcdef7hi1classifieda，33S1140000Q00a- -1(-inf0口Q1b= =，(1.9-2T25559411102c1(2.E-3.71651172433Q31(3,7-4,6*012z1361102e= =(4.6-5*5T014512213Q2f= =1(5.5-6,412014704513q= =f

18、(-4-7.3，1QQ3323E08h一一1(7,3-8,2110001010203i二二1(5.2-9.1，00Q4301204Ej= =1(9,1-inf)T（圖 9）3.3.2貝葉斯分類在剛才進(jìn)行決策樹分類的的那個頁面，點“Choose按鈕選擇bayeS,再選擇 Cross-Validatioinfolds=10,同樣選擇圖中箭頭指向選擇屬性，然后點擊start”按鈕：為了與上面決策樹作比較，貝葉斯也選擇第一項第一項 ClumpThickness 叢厚度和第九項 M 讓 oses 有絲分裂項，得到結(jié)果如下圖 10,11 所示:（圖10）=DerailedBy2G:W:4-trees.J4

19、S20:15:14-hay-85HaivaBnyitE16：33-trEJ4SCorrectlyClassifiEdInstanceaInccrrctlyCia3sifiEdInstancesKappsmratimtlLUMtanabsoluteerrorRootmanscpiaiederrorfelatiwabacluizeerr-DtRootrelativeerrorTotalNumber&fIftataacea46723225K0,0e590.2104Ua.T6SBIiLt8ie2i6996.8O9733-1&D3SEETFRateETRatePrecisionRecal

20、lF-Bfetia口工tROCf0.752C.1250.9670.75E0-55O.t0.1710,104o.oe0.1710.1090/0.4240.120.1450,4240.22口.f0.0830.0290.0480-0S3CL061a.0G.皿000o.t00.0010000/00.007000o.r1250.0030.3330.12S0,1S2o.rj00000J*ClassSt*twQIX0（圖11）這個是針對第一項 ClumpThickness 叢厚度和第九項 Mitoses 有絲分裂項運(yùn)用貝葉 斯 算 法 得 到 誤 差 分 析 的 結(jié) 果 ， 分 析 可 知 總 共 有 69

21、9 個 數(shù) 據(jù) 進(jìn) 行 分 類 ，ClumpThickness（叢厚度）其中 198 個為正確分類，正確分類率為 28.3262%,501 個為錯誤分類， 錯誤分類為 71.6738%而第九項 Mitoses 有絲分裂項其中正確分類有 467個數(shù)據(jù)，正確率為 66.8097%,錯誤分類的有 232 個，錯誤分類的有 33.1903%=根據(jù)混淆矩陣，被錯誤分類實例很多，相對來說，ClumpThickness 叢厚度用兩種方法混淆程度差不多，錯綜復(fù)雜，而 Mitoses 有絲分裂項用貝葉斯分類明顯混淆矩陣要比用決策樹方法混淆率要低，中間第六項到就第九項明顯混響不是很多，如圖 12所示?；谝陨蟽煞N

22、分析，建議用貝葉斯分類方法分類，降低混淆率，提高正確率。=ConfusionMatrix=abcdefqh14-7,310QD31石7127|h=(7.3-E.2)00Q110130S|i-T(8.2-9.1T000063717234|-T(9.1-inf=Matrix=中bcdeqhiJibk，選擇 Cross-Validatioinfolds=10,然后點擊“start”按鈕:同樣選擇圖中箭頭指向選擇屬性，然后點擊“start”按鈕：為了與上面決策樹和貝葉斯作比較，K 最近鄰算法分類也選擇第一項 ClumpThickness 叢厚度和第九項 Mitoses 有絲分裂項，得到結(jié)果如下圖 13

23、,14 所示：9tfK.Huptuit/lI.TBk-E1-W0fweka.core.neiEhbowrsearch.LineairNNSeurch-Ac0re.EuclidleuiDist_Rirs1-11VCl-asifilestinoOSupplied-1CFOSS-VHJidalimFoldsIDPercentagespl1166CFTeia.lMitosis2DIQ.49-/&J4320:15:14-b屯yi口經(jīng)廿力好”20:13:33-trees.J4S20:29:09-hayE.ITiaiVEa.ysOK69fi:1(5.5-fi.10:1i&.l-i+00B11

24、100.2220*=ratifiedeross-validatlon=Sunwry=CaEZ-ecElyClassifnedInsrancea19127.3247*InearrecElyClBasifi-ed.Inszatitfrs50E72.753%Kapp*statistic0,1358M.eanabsoluteerror0.1531RaonreansquarederIDE-0-3227F.RelfiEtve總士士白士90+53fil*Rostrelativesquarederror109,88521TotalSwnierofInstancea599=DetailedByClass=TFR

25、a.urPRatePrecisionRecallf-MeafluxeROCI.690.3S7白.336cu/g。川5工口口曲80*10.04.0 x057Qu0.102o.ioe0,1470.1020,120.!O.QBS0.0l0.1S-6o.oss0.1120.!0.2B9口，一.269-0-135修.3130.269口=M650.Q270.33302650.295QBI*.j111FCla-EBifierOutp以匕(圖 13)(圖 14)這個是針對第一項 ClumpThickness叢厚度和第九項 Mitoses有絲分裂項運(yùn)用 K最近鄰算法得到誤差分析的結(jié)果，分析可知總共有 699 個

26、數(shù)據(jù)進(jìn)行分類，ClumpThickness（叢厚度）其中 191 個為正確分類，正確分類率為 27.3247%,508 個為錯誤分類，錯誤分類為 72.6753%而第九項 Mitoses 有絲分裂項其中正確分類有 546個數(shù)據(jù)，正確率為 78.1116%,錯誤分類的有 153 個，錯誤分類的有 21.8884%根據(jù)混淆矩陣，被錯誤分類實例很多，相對來說，ClumpThickness叢厚度與前兩個算法混淆程度差不多，錯綜復(fù)雜，甚至比前兩個更要復(fù)雜，而 Mitoses有絲分裂項用 K 最近鄰算法明顯混淆矩陣要比用決策樹方法和貝葉斯方法混淆率要低，中間第四項到就最后明顯混響不是很多，如圖 15 所示

27、：=ConfusionMatrix=abcdefgiiij-classifiedas100221131Q0021a=T(-inf-1,9362513100021b=ri,g-2町635111110013131c=，m.714201S7S12104Id-1(3.7-4.61444121035129211e=7(4.-5.5171328910031f.T(5.5-6.4)10221133191g=(6.4-7.3*0244843101101h=(7.3-6.2100115002231i-7(S.2-9.15411219311212Ij-T(9.1-inf)*-CcnisianMatrixabcde

28、fghijclassifiedas53a=1-inf-L.9273211000011b=r(1-9-2.81271320000001=12.B-3.7J*72200010001d-1(3.7-4,651000000001e=14.6-5,500011000011f=5-6.年70100010001g=116.4-7.3)1610Q100000Ih=1(7.3-e.2rOOOOOOflOOOIi-1(6,2-9.1)1100121000001j=T(9.1-inf（圖 15）3.4 三種分類方法結(jié)果比較綜上所述，分析三種算法的正確率和錯誤率，同樣針對 699 的數(shù)據(jù)，C

29、lumpThickness（叢厚度）用三種算法正確分類個數(shù)分別為 102 個、198 個、191 個，正確分類率分別為 26.03726%28.3262%27.3247%,錯誤分類個數(shù)分別為 517 個、501個、508 個，錯誤分類率分別為 73.9268%、71.6738%72.6753%=第九項 Mitoses 有絲分裂項用三種算法正確分類分別為 579 個、467 個、546,正確率分別為82.8326%66.8097%78.1116%,錯誤分類的分別為 120 個、232 個、153 個，錯誤分類的有 17.1674%33.1903%、21.8884%為便于比較，將上述數(shù)據(jù)統(tǒng)卜表中，

30、如表 1 所小:決策樹貝葉斯K最近鄰算法ClumpThickness止確率26.03726%28.3262%27.3247%,ClumpThickness標(biāo)準(zhǔn)誤差0.31090.31190.3227Mitoses止確率82.8326%66.8097%78.1116%Mitoses標(biāo)準(zhǔn)誤差0.17550.21040.1989（表 1）比較結(jié)果分析：根據(jù)上述數(shù)據(jù)，我們模型好壞的評價標(biāo)準(zhǔn) Rootmeansquarederror（均方差）：越小越好。針對 ClumpThickness（叢厚度），貝葉斯不僅有最高的準(zhǔn)確率和相對較好的標(biāo)準(zhǔn)誤差，而且比較三種分類方法的混淆矩陣（如圖 9、12、15）,混淆

31、率相對來說也是最低的，其他兩種方法的正確率都不及貝葉斯高，而且其他屬性也可能錯綜復(fù)雜。針對 Mitoses（有絲分裂），決策樹方法不僅有最高的完美正確率，而且有較好的標(biāo)準(zhǔn)誤差， 但這種完美的背后， 很有可能是以其他屬性較大錯誤率作為代價，這點可以從三個分類算法的混淆矩陣中得到印證（如圖 9、12、15）;而樸素貝葉斯分類算法的準(zhǔn)確率相對較低，而標(biāo)準(zhǔn)誤差也較高，綜合評價可以得知，當(dāng)前最好的分類算法是 K 最近鄰算法。綜上所述：針對 ClumpThickness（叢厚度）分類，選擇貝葉斯分類算法，而 Mitoses（有絲分裂）選擇 K 最近鄰算法。（其中 ClumpThickness 標(biāo)準(zhǔn)誤差和

32、Mitoses 標(biāo)準(zhǔn)誤差如下圖 16,17 所示）。CcrrectlyZlasflifiedInstancesIncorrectlyClassifiedInstancesKappastatisticMeanabsoluteerrorRoocme己口squarederrorRelativeabsoluteerrorRootrelativesquarederrorIctalMuirberofInstanceaCorrectlyCLasaiiidIrtstinceflInccirrectLyClassifiedInstanceaKappastatisticMeanabsoluteerrorRootm

33、eansquarederrorRelativeabaaLuteerrcrRcotrelativesquarederrcrTotalNumberofInstancesCorrectlyClasaifiedInstanceaIncorrectlyClassifiedInstancesKappaatatigticMeanabsoluteerrorRootmeansquarederrrRelativeabsoluteerrorRoot18226.0372上51773.9G28*0.120.16110.3109L93.3143105.esit69919828.3262M50171,C73E+0.1476

34、0.151137,5202106.1925%69919127.3247士SOB72.57S3號0.13580.1563口.3227*90,5361%109.BSS2%99（圖16）CorrectlyClassifiedInaranceaIncorrectlyClaasifiedInstancesKappasratiaticMeanabsoluteerrorRootireansquarederrorRelativeabsoluteerrorRootrelativescpiarederrorTotalNumberatInstances579S2.2326*12017.1674%00,0616017

35、CQ,970S16*99*97671699CorrectlyClasaifiedIncancesincorrectlyClassifielInstancesappastatisticteanabaolureerroricotmeansquarederrorRelativeabsoluteerrorloctrelativesquarederrorrctaiNmnber=fInstances467CG.B097%23233.1903毫0.25970.0590,2104103.763B%119.e4B2%E99relativeaquarsdeirorTotalKuirterofInstancesCo

36、rrectlyClisaifiedInstancesInccrrectlyClassifiedInatanceaKappastatisticMeanatsoluLeerrorRootmean5guarederrorRelativescaoluteerrcrRootrelativesquarederrorTotalMuzrterofInstancea（圖17）4 .三種算法在進(jìn)行測試的性能比較要進(jìn)行性能比較，則需比較這 10 項屬性的預(yù)測，同上文一樣，這里只比較第一項 ClumpThickness 叢厚度和第九項 M 計 oses 有絲分裂項，點“moreoptions”按鈕，選勾選“outpr

37、ediction,其他不勾選，然后點擊“OK”按鈕如圖 18 所示:。WekaExplorerPreprocessClassifyClusterAssociateSelectat.tributesClassifi丁匚konsu工EM-K1一*OA，vweka.core,xieigilkBo-uirseKi-clx-LxnClassifieroutputentropyevalu.a.f.1oikme-3.suj-esOutputIStorepredictiexis*rvisuaJ_iza.tionOutputadditiaB?TOS&EQ6ED&TO&O*+1T”7 丁工

38、t：6tg*fQiSOIDF9(rQi+T-juj-prli?T-3B3)：ST口EEI-fr9T&TrODD+5-91&.E-B-Z3.1.二軍4tagao990tJiS0&0*+T-JUT-li!fc：T-eEl.：9TETEFLNMD一1QP1511P+=E,tTym寫工0D00+T-T61?OT-3SibSPU口Q+FTFr工習(xí)KTR*T9DTB0Z9TD0010T&frJ0*+T-JUT-1STC-BZ)t：ZT00Q0+T8-ETtl+i8T、TFfcIETT19口口SSTOSZOO9&J0*+T-JUT-I4.STBeBEn應(yīng)01tJTQL

39、EIParimQT+X-JUT-JiTT-flrEl1ES辱SSIaO99EP.9ECTLOGP+甘) -fr5SITDeOEOETSOT+J-JUT-h.,!”.=心“CT口LOIJ0LET。frfrExt*話二牛?F1:&9E0B0gGEOEE?？贓tsg+T-JUT-J*f-tB).二，S白白口口LOSJCl*60JO!?1ZJO+Atrfr-jLC)n；&fr己QQQ99Q(J+T-JUT-P”工gaQ+Ae-rxtgtJb=*zS900aozoggoaOiSJ&O*+T-JUT-p!fc?Tfr-4：Tu.oizn-q：TJ.ETpAnmciwqcjxdaJ.OJ.Z3psq-DTP-S-xdJr,Pinq.DP*f-zcurLV皿 p?000占MPN。0P?0fl+0?00*0?00+0?0D+0?0D+0360t-jui-J,it二一；U1營七00000D00TTl*O9Ba0vt-JUI-1,-TI-JUT-)-T3Z00BEOO000000T-jni-),T官0QQQQQQ00Q一孑口工一）.TI-JUT-.T網(wǎng)網(wǎng)00000000詢 3t-JUl-j,iTI-JUT-)*t6T000000000S66J0I-JUT-)-IST000