train_catboost

CatBoost-трек: признаки -> оценка по трём схемам -> финальная модель -> submission.csv.

Схемы валидации (данные — один день, 13 реальных ТС + 26 синтетических клонов в train):

• proxy — как validate: K-fold по реальным точкам train+test блоками по времени; клоны и остальные точки остаются в обучении. Validate устроен так же (соседние моменты T тех же ТС), поэтому это лучший прокси скора платформы. Дополнительно печатается классический holdout train -> test.

• lovo — честная: откладываем реальное ТС вместе с клонами. Качество на новом ТС / другом дне.

Запуск:

python ml/src/train_catboost.py --dataset ./dataset --eval          # оценка
python ml/src/train_catboost.py --dataset ./dataset --fit --out submission.csv

Functions

conformal_margin(qs, y[, coverage])	На сколько секунд расширить интервал [q10, q90], чтобы накрыть coverage фактов (CQR).
delay_class(y)
eval_holdout(data, feats, params[, w_syn, seeds])
eval_lovo(data, feats, params[, w_syn])
eval_proxy(data, feats, params[, k, ...])	K-fold по реальным точкам блоками по времени (как validate: соседние T, клоны остаются в обучении).
eval_uncertainty(data, feats, params)	Holdout train -> test: покрытие интервала (сырое и после конформной калибровки), качество вероятностей.
fit(X, y_resid, feats, params[, seed, weight])
fit_final(data, feats, params, w_syn, seeds)
fit_uncertainty(X, M, feats, params[, seed])	Квантильная модель (интервал 10–90%) на поправку к cur_dev_s + классификатор early/ontime/late.
load_all(dataset[, cache])	Признаки для train/test/validate (+ кеш в artifacts/cache).
mae(y, p)
mae_by_lead(y, p, lead_s)	MAE по бинам горизонта прогноза (lead_s = сколько сек до целевого момента).
mae_target_estimate(data)	MAE_TARGET по условию «бейзлайн cur_dev_s даёт score 0.40» (оценка на test).
main()
pooled(data)
predict(models, X, feats, cur_dev)
predict_uncertainty(q, clf, X, feats, cur_dev)	-> (квантили задержки N×3 в секундах, вероятности классов N×3 в порядке CLASSES).
real_weight(meta, w_syn)
score(y, p, mae_target)
write_submission(dataset, ids, pred, out)

train_catboost.conformal_margin(qs: numpy.ndarray, y: numpy.ndarray, coverage: float = 0.8) → float

На сколько секунд расширить интервал [q10, q90], чтобы накрыть coverage фактов (CQR).

train_catboost.delay_class(y) → numpy.ndarray

train_catboost.eval_holdout(data: dict, feats: list[str], params: dict, w_syn: float = 1.0, seeds=(0,)) → dict

train_catboost.eval_lovo(data: dict, feats: list[str], params: dict, w_syn: float = 1.0) → dict

train_catboost.eval_proxy(data: dict, feats: list[str], params: dict, k: int = 5, block_min: int = 30, w_syn: float = 1.0, seeds=(0,)) → dict

K-fold по реальным точкам блоками по времени (как validate: соседние T, клоны остаются в обучении).

train_catboost.eval_uncertainty(data: dict, feats: list[str], params: dict) → dict

Holdout train -> test: покрытие интервала (сырое и после конформной калибровки), качество вероятностей.

Калибровочный запас считается на test; честное покрытие проверяется перекрёстно на двух половинах test.

train_catboost.fit(X: pd.DataFrame, y_resid: np.ndarray, feats: list[str], params: dict, seed: int = 0, weight: np.ndarray | None = None) → CatBoostRegressor

train_catboost.fit_final(data: dict, feats: list[str], params: dict, w_syn: float, seeds) → list[catboost.CatBoostRegressor]

train_catboost.fit_uncertainty(X: pandas.DataFrame, M: pandas.DataFrame, feats: list[str], params: dict, seed: int = 0)

Квантильная модель (интервал 10–90%) на поправку к cur_dev_s + классификатор early/ontime/late.

train_catboost.load_all(dataset: Path, cache: bool = True) → dict

Признаки для train/test/validate (+ кеш в artifacts/cache).

train_catboost.mae(y, p) → float

train_catboost.mae_by_lead(y: pandas.Series, p: pandas.Series, lead_s: pandas.Series) → list[dict]

MAE по бинам горизонта прогноза (lead_s = сколько сек до целевого момента).

Диспетчер должен понимать, где модель точнее, а где — фактически «предупреждает заранее». Обычно MAE растёт с горизонтом; это надо видеть, а не усреднять.

train_catboost.mae_target_estimate(data: dict) → float

MAE_TARGET по условию «бейзлайн cur_dev_s даёт score 0.40» (оценка на test).

train_catboost.main() → None

train_catboost.pooled(data: dict) → tuple[pandas.DataFrame, pandas.DataFrame]

train_catboost.predict(models: list[catboost.CatBoostRegressor], X: pandas.DataFrame, feats: list[str], cur_dev: numpy.ndarray) → numpy.ndarray

train_catboost.predict_uncertainty(q: catboost.CatBoostRegressor, clf: catboost.CatBoostClassifier, X: pandas.DataFrame, feats: list[str], cur_dev: numpy.ndarray) → tuple[numpy.ndarray, numpy.ndarray]

-> (квантили задержки N×3 в секундах, вероятности классов N×3 в порядке CLASSES).

train_catboost.real_weight(meta: pandas.DataFrame, w_syn: float) → numpy.ndarray

train_catboost.score(y, p, mae_target: float) → float

train_catboost.write_submission(dataset: Path, ids: pandas.Index, pred: numpy.ndarray, out: Path) → pandas.DataFrame