qWj5 LSrSSKrSSKJr SSKJr SSKJ r SSK J r "SS5r "SS 5r SS \S \S \RS \4SjjrSS/S4S \S \S \RS\\S \4 SjjrSS \RS\RS\4SjjrS \S \RS\4Sjrg)z Probability Calibration Module. Provides calibration methods for probability estimates and reliability diagrams. Supports both multi-output models (Long/Short) and custom fitting. N)IsotonicRegression)LogisticRegression)loggerc\rSrSrSrSS\4SjjrS\S\R4Sjr S\S\4S jr S\S\R4S jr S \ 4S jrS rg)MultiOutputCalibratoru Обертка для калибровки вероятностей multi-output моделей (Long/Short). Supports: - Isotonic Regression (non-parametric) - Platt Scaling (Logistic Regression) Args: method: Calibration method ('isotonic' or 'platt') Example: >>> calibrator = MultiOutputCalibrator(method='isotonic') >>> calibrator.fit(raw_probs, y_true) >>> calibrated_probs = calibrator.predict_proba(raw_probs) methodc,Xl/UlSUlg)u Инициализация калибратора. Args: method: Метод калибровки ('isotonic' или 'platt') FN)r calibrators is_fitted)selfr s 3/home/ai/projects/AI_Strategy/models/calibration.py__init__MultiOutputCalibrator.__init__ s  raw_probsy_truec[U[5(d [S5e[U5nX2RS:wa[SUSURSS35e/Ul[ U5HnXSS2S4nUSS2U4nURS:Xa[SS SS 9nURXV5 OWURS :Xa.[S S SS9nURURSS5U5 O[SURS35eUR RU5 M SUl [R"SUSURS35 U$)u Обучает калибраторы для каждого выхода. Args: raw_probs: list of arrays (вероятности классов для каждого выхода) shape: [(n_samples, 2), (n_samples, 2), ...] y_true: массив (n_samples, n_targets) Returns: self: Возвращает себя для удобства (fluent interface) z"raw_probs must be a list of arrayszMismatch: raw_probs has z arrays, y_true has z columnsNisotonicclipr) out_of_boundsy_miny_maxplattg _Blbfgsi)Csolvermax_iterz+Method must be 'isotonic' or 'platt', got ''Tz Calibrated z targets using .) isinstancelist ValueErrorlenshaper ranger rfitrreshapeappendr rinfo)r rr n_targetsip_rawy_tcals rr)MultiOutputCalibrator.fit+sI)T**AB B N  Q '*9+5I&,,WX/IZZbc y!ALA&EA,C{{j((vQaP#'(4$O b!,c2 #Nt{{m[\!]^^    # #C ("  k)ODKK=JK rreturncUR(d [S5e/n[UR5Hup4XSS2S4nURS:XaUR U5nO(UR URSS55SS2S4n[R"USS5nUR[RSU- U45 M U$)u Применяет калибровку к сырым вероятностям. Args: raw_probs: list of arrays (вероятности классов) Returns: list of arrays: Калиброванные вероятности (n_samples, 2) z,Calibrator not fitted yet. Call fit() first.Nrrr r) r RuntimeError enumerater r predict predict_probar*nprr+c_)r r calibratedr.r1r/p1s rr8#MultiOutputCalibrator.predict_probaVs~~MN N  0 01FALA&E{{j([['&&u}}R';>> calibrator = MultiOutputCalibrator(method='isotonic') >>> calibrator.fit(raw_probs, y_true) >>> model = CalibratedModel(model, calibrator) >>> probs = model.predict_proba(X) NcXlX lg)u Инициализация. Args: model: Обученная модель calibrator: MultiOutputCalibrator (по умолчанию None) N)model calibrator)r rWrXs rrCalibratedModel.__init__s $rXr3cURb6URRU5nURRU5$URRU5$)u Предсказывает классы. Args: X: Feature matrix (n_samples, n_features) Returns: np.ndarray: Предсказанные классы (n_samples, n_targets) )rXrWr8r7r rZrs rr7CalibratedModel.predictsL ?? & 003I??**95 5::%%a( (rc"URbNURRU5n[U[5(dU/nURRU5$URRU5n[U[5(dU/$U$)u Предсказывает калиброванные вероятности. Args: X: Feature matrix (n_samples, n_features) Returns: list of arrays: Калиброванные вероятности (n_samples, 2) )rXrWr8r#r$r\s rr8CalibratedModel.predict_probasz ?? & 003Ii..&K ??00; ; 003Ii..!{" r)rXrWN) rIrJrKrLrMrr9rOr7r$r8rQrRrrrTrTs>* %)) ) rzzdrrTr cal_probsr save_pathc  [R"SSSS9upESS/n[S5HnXWnUSS2U4n [XUSS2S45up[XUSS2S45upUR SS/SS/S S S 9 UR XS S S 9 UR XSSS 9 UR SSSSSS9 UR SXg35 URS5 URS5 URSS9 URSS5 URSS5 M [R"5 U(a2[R"USSS9 [R"SU35 XE4$[R "5 XE4$)u Строит график надежности (Reliability Diagram) для сравнения сырых и откалиброванных вероятностей. График показывает: - Как хорошо модель предсказывает вероятность (x-axis) - Какая доля фактических позитивов (y-axis) - Линия безошибочной калибровки (x=y) - Красная зона: 0.55 - 0.60 (высокая уверенность) Args: raw_probs: Сырые вероятности (list of arrays, shape [(n_samples, 2), (n_samples, 2)]) cal_probs: Калиброванные вероятности (list of arrays) y_true: True labels (n_samples, n_targets) save_path: Путь для сохранения графика (необязательно) Example: >>> from models.calibration import plot_reliability_diagram >>> plot_reliability_diagram(raw_probs, cal_probs, y_test, save_path="plot.png") r) figsizeLongShortNrzk:zPerfectly calibrated)labelzs-z Raw modelzo- Calibratedg?g333333?redg?zHigh-conf zone (0.55-0.60))coloralpharkzReliability Diagram: zMean predicted probabilityzFraction of positivesz upper left)loctightdpi bbox_incheszReliability diagram saved to )pltsubplotsr(_calibration_curveplotaxvspan set_title set_xlabel set_ylabellegendset_xlimset_ylim tight_layoutsavefigrr,show)rrarrbfigaxes target_namesr.axr0 prob_true_raw prob_pred_raw prob_true_cal prob_pred_cals rplot_reliability_diagramrs, Q73ICG$L 1X WQTl(:#|AqD?Q'R$ '9#|AqD?Q'R$  AA,BC  d+F  d,G 4U#=Y Z ,\_,=>? 23 -. l # Aq Aq), I3G< 3I;?@ 9  9rrirjrc [R"SSSS9upV[U5HupxXgn USS2U4n U RXSS2S4U S:HSSS S S S 9 U RXSS2S4U S:HSSS SS S 9 U RXSS2S4U S:HSSSSS S 9 U RXSS2S4U S:HSSSSS S 9 U R SU35 U R S5 U R S5 U R5 U RSS9 M [R"5 U(a2[R"USSS9 [R"SU35 XV4$[R"5 XV4$)u{ Альтернативная визуализация: гистограмма распределения вероятностей. Сравнивает сырые и калиброванные вероятности, показывая как Isotonic Regression сдвигает распределение. Args: raw_probs: Сырые вероятности cal_probs: Калиброванные вероятности y_true: True labels target_names: Названия таргетов save_path: Путь для сохранения Example: >>> plot_calibration_comparison(raw_probs, cal_probs, y_test) rdr)rergNrr?zRaw (negatives)blueblack)binsrorkrn edgecolorzRaw (positives)rmzCalibrated (negatives)cyanzCalibrated (positives)orangezProbability Distribution: ProbabilityCountg333333?)rorqrrrsz Calibration comparison saved to )rvrwr6histr{r|r}r~gridrrrr,r) rrarrrbrrr.namerr0s rplot_calibration_comparisonrs. Q73IC\* WQTl  LA sax (#    LA sax (#    LA sax (*    LA sax (*   1$89 m$ g  cY+\ I3G< 6ykBC 9  9ry_probn_binsc[R"SSUS-5nUSSUSS-S- n[R"U5n[R"U5n[[ USSUSS55HsunupX:X:-n U R 5S:a*X R 5XW'XR 5Xg'MO[RXW'[RXg'Mu [R"U5)n X[Xk4$)u Кастомная реализация калибровочной кривой. Args: y_true: True labels y_prob: Predicted probabilities n_bins: Количество бинов Returns: (prob_true, prob_pred): Данные для построения графика rrNr rd) r9linspacezerosr6zipsummeannanisnan) rrrr bin_centers prob_true prob_predr.lowhighmaskvalids rrxrxbs ;;q!VaZ (D9tABx'1,K I I#CSb 48$<=;C &-0 88:>!<,,.IL!<,,.IL66IL66IL>XXi E  Y- --rr3cSnSn[[XR55H3unupVU[R"USS2S4U- S-5- nUS- nM5 US:aX#- $S$)u Вычисляет Brier Score (MSE между предсказанными и истинными вероятностями). Args: raw_probs: Сырые вероятности y_true: True labels Returns: Brier Score (чем меньше, тем лучше) rNrrd)r6rTr9r)rr brier_scoretotalr.r/r0s rcalibration_scorerspK E$SHH%=>rs/3},},@DDPLP77 $7.0jj7EH7| &w/ OOO JJOs) O  Od.rzz.2::.s.@33rzz3e3r