Integrated Music_engine and update Debug UI

src/scripts/train_regressor.py

@@ -1,61 +1,65 @@
 import numpy as np
 import pandas as pd
 from pathlib import Path
-from sklearn.linear_model import Ridge
+from sklearn.linear_model import RidgeCV
 from sklearn.multioutput import MultiOutputRegressor
+from sklearn.preprocessing import StandardScaler
+from sklearn.pipeline import Pipeline
 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:
+# 1. Алфавитный маппинг 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
+    0: (7.5, 6.5), # amusement 
+    1: (2.0, 8.0), # anger 
+    2: (6.5, 5.0), # awe 
+    3: (7.0, 3.0), # contentment 
+    4: (3.0, 6.0), # disgust 
+    5: (8.0, 8.0), # excitement 
+    6: (2.5, 7.5), # fear 
+    7: (2.0, 2.0), # sadness 
 }
 
-# 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")
+BASE_DIR = Path(__file__).resolve().parent.parent
+EMBEDDINGS_PATH = BASE_DIR / "emoset_test_embeddings.npy"
+LABELS_PATH = BASE_DIR / "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)
+# 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])))
+])
 
 model.fit(X_train, y_train)
 
-# 4. Оценка
+# 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"Обучение завершено!")
-print(f"MSE (Среднеквадратичная ошибка): {mse:.4f}")
-print(f"R^2 Score (Коэффициент детерминации): {r2:.4f}")
+print(f"\n[УСПЕХ] Обучение завершено!")
+print(f"MSE: {mse:.4f}")
+print(f"R^2 Score: {r2:.4f}")
 
-# 5. Сохранение
-output_model_path = Path("../src/music_engine/va_regressor.pkl")
+# === 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)
-print(f"Модель сохранена в: {output_model_path}")
+print(f"\nМодель сохранена в: {output_model_path}")