+tWj'`SrSSKrSSKrSSKJrJrJrJ r J r SSK J r SSK Jr "SS5rg)u3 Фреймворк для сравнения моделей на Walk-Forward кросс-валидации. Позволяет запустить один раз и получить таблицу метрик для всех моделей на одних и тех же данных и сплитах. N)accuracy_scoreprecision_score recall_scoref1_scoreconfusion_matrix)WalkForwardSplit)loggerc\rSrSrSrSS\S\S\4SjjrSS\S \ RS \ R4S jjr S \ R4S jrS \ R4SjrSrS \4SjrS \ R4SjrSrg)BenchmarkFrameworkue Фреймворк для сравнения моделей на одинаковых Walk-Forward сплитах. Args: n_splits: Количество фолдов для Walk-Forward CV test_size: Размер тестового окна (float 0-1 или int) gap: Зазор между train и test в баров Example: >>> benchmark = BenchmarkFramework(n_splits=5, test_size=0.2, gap=5) >>> benchmark.evaluate_model('RandomForest', lambda: RandomForestClassifier(), X, y) >>> benchmark.evaluate_model('XGBoost', lambda: XGBClassifier(), X, y) >>> benchmark.print_summary() n_splits test_sizegapc>[XUS9Ul/Ul/Ulg)u Инициализация BenchmarkFramework. Args: n_splits: Количество фолдов test_size: Размер тестового окна (0.2 = 20%) gap: Зазор между train и test (баров) )r rrN)rcvresults model_params)selfr rrs 1/home/ai/projects/AI_Strategy/models/benchmark.py__init__BenchmarkFramework.__init__s!#HsS N model_nameyy_truecD [R"SUS35 [UR5S:=(a URSS:nU(aSS/OS/nURR U[ U"55S.5 [URRU55GHunup[U[R5(aURU URU pOX9X:pXIXJpU"5n[US5(aURX5 O[R""S US 35 M[US5(Ga5U(a[U[$[&45(aUR)U 5n[U[$5(aG[*R,"UVs/sH nUS S 2S4PM sn5nUS:R/[05nOUS S 2S4S:R/[05nOUR)U 5n[U[$5(a[*R,"U5nUR2S:XaUS:R/[05nO1US S 2S4S:R/[05nOUR7U 5nU(a(UR2S:Xa[*R,"UU/5n[U5HunnU(a US S 2U4OUnU(a US S 2U4OUn[*R8"U5n[U5S:Xa"[R:"S US-SUS35 Mq[=UU5n[?UUSS9nUUSS9n[CUUSS9n[EUUSS/S9RG5unnn n!URHR UUS-UUUUUUU!UU S. 5 M GM [R"SUS35 g ![ a+n[R""S US-S U35 S nAGMjS nAff=fs snf![ a<n[R4"S US-SUS35 UR7U 5nS nAGNS nAff=f![ a+n[R4"S US-SU35 S nAGMS nAff=f)u_ Запускает кросс-валидацию для одной модели. X может быть np.ndarray (для sklearn) или pd.DataFrame (для LSTM экспертов). Args: model_name: Имя модели для отчета model_factory: Функция, возвращающая свежий инстанс модели (вызывается на каждом фолде) X: Feature matrix (n_samples, n_features) или DataFrame (для LSTM) y: Target vector or matrix (n_samples, n_targets) or (n_samples,) y_true: Optional ground truth for additional analysis z--- Benchmarking: z ---LongShortTarget)ModelParamsfitzFold z fit error: Nu Модель u! не имеет метода fit predict_probag?z predict_proba error: z, trying predictz: z% has only one class, skipping metricsr) zero_division)labels) r!Foldr Accuracy PrecisionRecallF1TNTPFPFNz: metrics error: z--- Completed: z --- )%r infolenshaperappendstr enumeratersplit isinstancepd DataFrameilochasattrr# Exceptionerrorlisttupler$np column_stackastypeintndimwarningpredictuniquedebugrrrrrravelr)"rr model_factoryXrris_multioutput target_namesfold train_idxtest_idxX_trainX_testy_trainy_testmodeleprobsp probs_arrayy_predinamey_ty_punique_classesaccprecrecf1tnfpfntps" revaluate_model!BenchmarkFramework.evaluate_model,s.  ( D9:QWW) !    **gx01555 %uo5/ 7  58 5rs*ee%ggr