INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     бизнес
    0.53
     estándares
    0.50
    шли
    0.50
     старосног
    0.49
     detección
    0.48
     obviamente
    0.46
     британ
    0.46
     Currie
    0.45
     темати
    0.45
     kapsamında
    0.45
    POSITIVE LOGITS
    Adorable
    0.61
     insensible
    0.56
     stupe
    0.56
     quinquina
    0.54
     quelquefois
    0.54
    adorable
    0.54
     despot
    0.54
     palpit
    0.53
     Messieurs
    0.53
     savages
    0.52
    Act Density 0.004%

    No Known Activations