chore: change text output

src/scripts/train_regressor.py

@@ -9,7 +9,6 @@ from sklearn.model_selection import train_test_split
 from sklearn.metrics import mean_squared_error, r2_score
 import joblib
 
-# 1. Алфавитный маппинг EmoSet
 EMO_VA_MAP = {
     0: (7.5, 6.5), # amusement 
     1: (2.0, 8.0), # anger 
@@ -32,9 +31,7 @@ y_labels = np.load(LABELS_PATH)
 y_va = np.array([EMO_VA_MAP[label] for label in y_labels])
 X_train, X_test, y_train, y_test = train_test_split(X, y_va, test_size=0.2, random_state=42)
 
-# 2. НОВАЯ, ПРАВИЛЬНАЯ АРХИТЕКТУРА (Pipeline)
 print("Обучение масштабатора и RidgeCV регрессора...")
-# Pipeline гарантирует, что при предсказании в main.py новые векторы тоже будут масштабированы
 model = Pipeline([
     ('scaler', StandardScaler()),
     ('regressor', MultiOutputRegressor(RidgeCV(alphas=[0.1, 1.0, 10.0, 100.0, 1000.0])))
@@ -42,23 +39,19 @@ model = Pipeline([
 
 model.fit(X_train, y_train)
 
-# 3. Диагностика и Оценка
 y_pred = model.predict(X_test)
 
 mse = mean_squared_error(y_test, y_pred)
 r2 = r2_score(y_test, y_pred)
 
-print(f"\n[УСПЕХ] Обучение завершено!")
+print(f"\nУспех! Обучение завершено!")
 print(f"MSE: {mse:.4f}")
 print(f"R^2 Score: {r2:.4f}")
 
-# === ТОТ САМЫЙ ТЕСТ НА КОЛЛАПС ===
 print("\n--- ДИАГНОСТИКА РАЗБРОСА ПРЕДСКАЗАНИЙ ---")
 print(f"Valence: от {y_pred[:, 0].min():.2f} до {y_pred[:, 0].max():.2f} (Эталон: 2.0 - 8.0)")
 print(f"Arousal: от {y_pred[:, 1].min():.2f} до {y_pred[:, 1].max():.2f} (Эталон: 2.0 - 8.0)")
-# ===============================================
 
-# 4. Сохранение (Pipeline сохраняется целиком со StandardScaler)
 output_model_path = BASE_DIR / "music_engine" / "va_regressor.pkl"
 output_model_path.parent.mkdir(parents=True, exist_ok=True)
 joblib.dump(model, output_model_path)