Integrated Music_engine and update Debug UI

src/music_engine/matcher.py

@@ -1,53 +1,52 @@
 import numpy as np
 import pandas as pd
 from pathlib import Path
+import joblib
 
 class MusicMatcher:
-    def __init__(self, db_path: Path):
+    def __init__(self, db_path: Path | str, model_path: Path | str):
+        # 1. Загрузка базы музыки
         self.music_db = pd.read_csv(db_path)
-        # Убедимся, что данные числовые
         self.music_db['valence'] = pd.to_numeric(self.music_db['valence'], errors='coerce')
         self.music_db['arousal'] = pd.to_numeric(self.music_db['arousal'], errors='coerce')
         self.music_db = self.music_db.dropna()
+        
+        # 2. Загрузка обученного регрессора
+        if Path(model_path).exists():
+            self.regressor = joblib.load(model_path)
+            print("✅ Регрессионная модель успешно загружена.")
+        else:
+            self.regressor = None
+            print("⚠️ ВНИМАНИЕ: Модель va_regressor.pkl не найдена!")
 
     def predict_va(self, embedding: np.ndarray):
         """
-        Умный хак для демо: используем статистику вектора.
-        Мрачные картинки имеют меньшую среднюю активацию.
+        Использование обученной ML-модели (Ridge) для маппинга
+        эмбеддингов в пространство Valence-Arousal.
         """
-        # 1. Средняя сила активации (прокси для Valence)
-        mean_act = float(np.mean(embedding))
-        
-        # 2. Разреженность вектора (прокси для Arousal)
-        # Чем больше нулей или близких к нулю значений, тем "спокойнее" картинка
-        sparsity = float(np.mean(embedding < 0.1))
-
-        # Масштабируем: если средняя активация низкая (мрачное), уводим Valence вниз
-        # (Типичный mean_act для ResNet обычно от 0.2 до 0.8)
-        v = np.interp(mean_act, [0.2, 0.6], [2.0, 8.0])
-        
-        # Если много нулей (пустота/мрак), Arousal падает. 
-        # Если нулей мало (пестрый мусор) - Arousal растет.
-        a = np.interp(sparsity, [0.3, 0.8], [8.0, 2.0]) # Обратная зависимость
-
-        # Добавляем "соль" из суммы вектора, чтобы избежать одинаковых результатов
-        # для похожих, но разных наборов картинок
-        salt = (float(np.sum(embedding)) % 2.0) - 1.0
-        v += salt
-        a += salt
-
+        if self.regressor is not None:
+            # Модель ожидает двумерный массив (batch_size, features)
+            emb_2d = embedding.reshape(1, -1)
+            prediction = self.regressor.predict(emb_2d)[0] # Получаем [Valence, Arousal]
+            
+            v, a = prediction[0], prediction[1]
+        else:
+            # Fallback на случай, если файл модели потеряется
+            v, a = 5.0, 5.0 
+            
         return np.clip(v, 1.0, 9.0), np.clip(a, 1.0, 9.0)
 
     def get_playlist(self, user_vector: np.ndarray, top_k: int = 5):
+        # 1. Предсказываем координаты через ML-модель
         target_v, target_a = self.predict_va(user_vector)
         
-        # Считаем Евклидово расстояние от пользователя до всех треков
+        # 2. Считаем Евклидово расстояние (L2-норма) до треков в базе
         distances = np.sqrt(
             (self.music_db['valence'] - target_v)**2 + 
             (self.music_db['arousal'] - target_a)**2
         )
         
-        # Добавляем дистанцию, сортируем по возрастанию (чем меньше, тем ближе)
+        # 3. Формируем финальную выдачу
         df_result = self.music_db.copy()
         df_result['distance'] = distances
         playlist = df_result.sort_values(by='distance').head(top_k)