Training set for Cluster data. If you use this data please quote the following reference. S. Mitra and L. I. Kuncheva, ``Improving classification performance using fuzzy MLP and two-level selective partitioning of the feature space'', Fuzzy Sets and Systems, Vol. 70, pp. 1-13, 1995. No. of pattern points = 200, No. of features = 2 There are two classes. Class F1 F2 1 0.294 0.261 1 0.326 0.328 1 0.100 0.287 1 0.273 0.584 1 0.965 0.627 1 0.011 0.304 1 0.313 0.289 1 0.243 0.230 1 0.450 0.267 1 0.724 0.678 1 0.355 0.598 1 0.244 0.271 1 0.866 0.690 1 0.862 0.497 1 0.647 0.241 1 0.378 0.158 1 0.299 0.204 1 0.853 0.582 1 0.266 0.283 1 0.277 0.204 1 0.251 0.272 1 0.326 0.164 1 0.279 0.145 1 0.886 0.589 1 0.285 0.042 1 0.443 0.181 1 0.203 0.275 1 0.842 0.397 1 0.418 0.259 1 0.296 0.150 1 0.055 0.158 1 0.261 0.140 1 0.408 0.272 1 0.731 0.100 1 0.447 0.289 1 0.145 0.267 1 0.252 0.061 1 0.223 0.356 1 0.264 0.073 1 0.273 0.291 1 0.855 0.551 1 0.138 0.241 1 0.257 0.185 1 0.229 0.220 1 0.105 0.233 1 0.377 0.203 1 0.369 0.128 1 0.445 0.170 1 0.694 0.437 1 0.468 0.069 1 0.845 0.557 1 0.222 0.326 1 0.385 0.329 1 0.323 0.390 1 0.091 0.165 1 0.186 0.159 1 0.026 0.462 1 0.348 0.624 1 0.280 0.198 1 0.340 0.170 1 0.379 0.164 1 0.129 0.341 1 0.290 0.157 1 0.286 0.568 1 0.677 0.618 1 0.322 0.297 1 0.321 0.210 1 0.341 0.230 1 0.363 0.292 1 0.271 0.178 1 0.363 0.241 1 0.696 0.645 1 0.330 0.211 1 0.271 0.141 1 0.280 0.088 1 0.221 0.144 1 0.724 0.546 1 0.386 0.206 1 0.300 0.183 1 0.646 0.389 1 0.758 0.447 1 0.351 0.191 1 0.403 0.425 1 0.720 0.520 1 0.174 0.438 1 0.363 0.257 1 0.302 0.258 1 0.314 0.147 1 0.307 0.255 1 0.329 0.162 1 0.390 0.164 1 0.843 0.546 1 0.296 0.206 1 0.282 0.281 1 0.253 0.132 1 0.091 0.221 1 0.340 0.266 1 0.727 0.559 2 0.149 0.856 2 0.895 0.520 2 0.126 0.820 2 0.285 0.874 2 0.859 0.825 2 0.901 0.453 2 0.346 0.774 2 0.051 0.921 2 0.648 0.718 2 0.277 0.664 2 0.823 0.585 2 0.760 0.572 2 0.212 0.802 2 0.765 0.608 2 0.616 0.669 2 0.767 0.553 2 0.272 0.842 2 0.231 0.674 2 0.824 0.708 2 0.632 0.493 2 0.769 0.478 2 0.962 0.679 2 0.256 0.611 2 0.140 0.934 2 0.811 0.465 2 0.118 0.880 2 0.199 0.794 2 0.252 0.813 2 0.194 0.764 2 0.187 0.811 2 0.941 0.606 2 0.255 0.815 2 0.140 0.761 2 0.538 0.548 2 0.266 0.895 2 0.419 0.803 2 0.237 0.778 2 0.787 0.536 2 0.232 0.805 2 0.889 0.612 2 0.069 0.833 2 0.354 0.862 2 0.543 0.712 2 0.218 0.787 2 0.270 0.855 2 0.196 0.771 2 0.901 0.651 2 0.296 0.901 2 0.164 0.798 2 0.041 0.862 2 0.084 0.908 2 0.934 0.499 2 0.064 0.852 2 0.182 0.815 2 0.064 0.759 2 0.745 0.582 2 0.255 0.654 2 0.184 0.810 2 0.827 0.495 2 0.099 0.823 2 0.152 0.851 2 0.246 0.692 2 0.039 0.956 2 0.290 0.817 2 0.178 0.787 2 0.177 0.633 2 0.557 0.759 2 0.307 0.961 2 0.773 0.523 2 0.199 0.663 2 0.198 0.762 2 0.170 0.832 2 0.326 0.858 2 0.273 0.782 2 0.918 0.386 2 0.916 0.555 2 0.646 0.588 2 0.181 0.784 2 0.892 0.568 2 0.303 0.799 2 0.763 0.468 2 0.921 0.657 2 0.236 0.716 2 0.224 0.799 2 0.603 0.628 2 0.805 0.618 2 0.771 0.733 2 0.112 0.697 2 0.181 0.771 2 0.791 0.488 2 0.217 0.721 2 0.313 0.810 2 0.799 0.584 2 0.228 0.825 2 0.996 0.624 2 0.757 0.638 2 0.093 0.719 2 0.247 0.768 2 0.781 0.609 2 0.368 0.814 2 0.802 0.621 2 0.112 0.774