Refactored paths

src/scripts/train_regressor.py

@@ -0,0 +1,61 @@
+import numpy as np
+import pandas as pd
+from pathlib import Path
+from sklearn.linear_model import Ridge
+from sklearn.multioutput import MultiOutputRegressor
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import mean_squared_error, r2_score
+import joblib
+
+# 1. Эталонный маппинг EmoSet -> Valence/Arousal (шкала 1-9)
+# Убедись, что индексы ключей (0-7) совпадают с тем, как они размечены в твоем labels.npy
+# Стандартный порядок EmoSet:
+EMO_VA_MAP = {
+    0: (7.5, 6.5), # amusement (радость/веселье) - позитивно, средне-активно
+    1: (6.5, 5.0), # awe (трепет/восхищение) - позитивно, спокойно
+    2: (7.0, 3.0), # contentment (удовлетворение) - позитивно, очень спокойно
+    3: (8.0, 8.0), # excitement (возбуждение) - очень позитивно, очень активно
+    4: (2.0, 8.0), # anger (гнев) - негативно, очень активно
+    5: (3.0, 6.0), # disgust (отвращение) - негативно, средне-активно
+    6: (2.5, 7.5), # fear (страх) - негативно, очень активно
+    7: (2.0, 2.0), # sadness (грусть) - негативно, пассивно
+}
+
+# 2. Загрузка данных
+# Укажи пути к твоим эмбеддингам и меткам (можно взять train или test, для демо не так критично)
+EMBEDDINGS_PATH = Path("../emoset_test_embeddings.npy")
+LABELS_PATH = Path("../emoset_test_labels.npy")
+
+print("Загрузка данных...")
+X = np.load(EMBEDDINGS_PATH)
+y_labels = np.load(LABELS_PATH)
+
+# Преобразуем дискретные метки в целевые координаты V-A
+print("Формирование целевых координат (Valence, Arousal)...")
+y_va = np.array([EMO_VA_MAP[label] for label in y_labels])
+
+# Разделение на train/val
+X_train, X_test, y_train, y_test = train_test_split(X, y_va, test_size=0.2, random_state=42)
+
+# 3. Обучение модели
+print("Обучение Ridge регрессора...")
+# Ridge отлично справляется с многомерными эмбеддингами, избегая переобучения
+base_estimator = Ridge(alpha=1.0)
+model = MultiOutputRegressor(base_estimator)
+
+model.fit(X_train, y_train)
+
+# 4. Оценка
+y_pred = model.predict(X_test)
+mse = mean_squared_error(y_test, y_pred)
+r2 = r2_score(y_test, y_pred)
+
+print(f"Обучение завершено!")
+print(f"MSE (Среднеквадратичная ошибка): {mse:.4f}")
+print(f"R^2 Score (Коэффициент детерминации): {r2:.4f}")
+
+# 5. Сохранение
+output_model_path = Path("../src/music_engine/va_regressor.pkl")
+output_model_path.parent.mkdir(parents=True, exist_ok=True)
+joblib.dump(model, output_model_path)
+print(f"Модель сохранена в: {output_model_path}")