test result

.gitignore

@@ -8,9 +8,6 @@ __pycache__/
 lab1/nltk_data/
 lab1/data/processed/
 lab1/features/
-lab1/exports/
 lab1/results/*
 !lab1/results/README.md
 
-*.tar.gz
-*.tar.gz.sha256

lab1/.gitignore

@@ -7,4 +7,3 @@ __pycache__/
 /features/
 /results/*
 !/results/README.md
-/exports/

lab1/TUNING_EXPERIMENTS.md

@@ -0,0 +1,407 @@
+# Серия настройки (T1–T11)
+
+Документ описывает **дополнительные** эксперименты поверх полной серии
+`scripts/run_all_experiments.sh`. Они не заменяют протокол E0–E16 из
+`EXPERIMENTS.md` и не повторяют его запуски с теми же параметрами.
+
+Полная серия измеряет качество на **значениях по умолчанию**. Эта серия
+проверяет, меняется ли macro-F1, если изменить регуляризацию, состав
+признаков, n-граммы, веса блоков, число компонент LSA или гиперпараметры
+деревьев.
+
+Справочник «где в коде лежит параметр» — `TUNING.md`. Здесь — что запускать,
+зачем и как интерпретировать.
+
+---
+
+## 1. Зачем эта серия
+
+Исследовательский вопрос тот же: различимы ли 34 персонажа по одной реплике.
+Базовый ответ даёт `stylometry_pos_lsa` + `logreg` из полной серии.
+
+Дополнительно нужно понять:
+
+- не слишком ли слабая или сильная регуляризация при 2005 объектах и 34 классах;
+- не вредят ли нестабильные группы (`vocabulary`, `readability`) и признаки длины;
+- не переобучаются ли широкие символьные n-граммы;
+- не давит ли один блок признаков на остальные после L2-нормировки;
+- не лучше ли другое число компонент LSA, чем `k=100`;
+- не лучше ли более мелкие деревья, чем лес без ограничения глубины;
+- даёт ли дельта Барроуза что-то на краях диапазона MFW (50 и 1000 слов).
+
+Главная метрика по-прежнему **macro-F1** с бутстрэп-интервалом. Разница в
+1–2 процентных пункта часто шум: сравнивайте запуски через `compare`
+(Мак-Немар и бутстрэп-разница), а не «на глаз» по одному числу.
+
+---
+
+## 2. Что нельзя путать с полной серией
+
+| Полная серия (`run_all_experiments.sh`) | Эта серия |
+|---|---|
+| Базовые пресеты, абляции leave-one-out, LSA 50/100/200, benchmark моделей, nested CV | Перебор **внутри** лучшего пресета |
+| Logreg/SVM с `C=1`, `class_weight="balanced"` | Другие `C`, отключение весов классов |
+| Char `[2,5]` / 5000, POS `[1,3]` / 500, `min_df=3` | Узкие и широкие n-граммы |
+| Равные веса блоков | Заданные веса |
+| Дельта 100/200/500 MFW | Дельта 50 и 1000 MFW |
+| Extra trees нет | Один контролируемый запуск extra trees |
+
+Не запускайте эту серию вместо E0–E16. Сначала нужна база: каталог
+`results/stylometry_pos_lsa_logreg_<timestamp>/` с 5 повторами (или хотя бы 3).
+
+---
+
+## 3. Как запускать
+
+Все команды — из каталога `lab1`. Схема CV та же, что в протоколе:
+5 блоков, seed `42`. Для черновика достаточно 1 повтора, для отчёта — 3
+(лучшие 1–2 конфигурации потом перепроверьте с 5).
+
+### 3.1. Вся серия скриптом
+
+```bash
+cd lab1
+bash scripts/run_tuning_experiments.sh
+```
+
+Быстрый прогон:
+
+```bash
+REPEATS=1 bash scripts/run_tuning_experiments.sh
+```
+
+Другой интерпретатор:
+
+```bash
+PYTHON=../.venv/bin/python bash scripts/run_tuning_experiments.sh
+```
+
+Лог: `results/logs/tune_<timestamp>.log`.
+Каждый `run` создаёт **новый** каталог `results/<preset>_<model>_<timestamp>/`.
+У двух запусков с одним пресетом имена отличаются только меткой времени;
+какой это был вариант, смотрите в `run_metadata.json` (`model_params`,
+`feature_config`).
+
+### 3.2. Один эксперимент вручную
+
+Конфиги лежат в `configs/tune_*.toml`. Каждый файл — **одна** точка перебора
+признаков. Модель и пресет задаются в команде, не в имени файла.
+
+```bash
+python -m stylometry.cli run \
+    --config configs/tune_no_vocab_readability.toml \
+    --preset stylometry_pos_lsa \
+    --model logreg \
+    --repeats 3 \
+    --seed 42
+```
+
+Параметры классификатора toml не требуют — их передаёт `--model-params`.
+
+### 3.3. Сравнение с базой
+
+```bash
+python -m stylometry.cli compare \
+    --run-a results/stylometry_pos_lsa_logreg_<база> \
+    --run-b results/stylometry_pos_lsa_logreg_<тюнинг>
+```
+
+Оба запуска должны иметь одинаковые `--folds` и `--seed`. Иначе парное
+сравнение некорректно.
+
+---
+
+## 4. Конфиги признаков
+
+Файлы не «включают серию целиком»: каждый подменяет только указанные поля
+`FeatureConfig`. Остальное берётся из пресета `stylometry_pos_lsa`.
+
+| Файл | Что меняет |
+|---|---|
+| `configs/tune_no_vocab_readability.toml` | группы без `vocabulary` и `readability` |
+| `configs/tune_no_vocab_readability_length.toml` | ещё без `length` |
+| `configs/tune_char_narrow.toml` | char `[2,4]`, 3000 признаков, POS 500, `min_df=5` |
+| `configs/tune_char_wide.toml` | char `[2,6]`, 8000, POS `[1,4]` / 800, `min_df=2` |
+| `configs/tune_block_weights.toml` | веса `stylo/char/pos/lsa_word/lsa_pos` |
+| `configs/tune_lsa_k150.toml` | `lsa_components = 150` |
+| `configs/tune_lsa_k300.toml` | `lsa_components = 300` |
+
+---
+
+## 5. Эксперименты
+
+Базовый пресет везде `stylometry_pos_lsa`, если не сказано иное.
+Ориентир для сравнения — pooled macro-F1 базового logreg из полной серии.
+
+### T1. Логистическая регрессия: `C`
+
+**Зачем.** `C` — обратная сила L2-регуляризации. На широком признаковом
+пространстве (ручные признаки + n-граммы + LSA) модель с `C=1` может
+переобучаться или, наоборот, быть слишком простой. Нужно найти диапазон,
+а не одно «магическое» число.
+
+**Что меняется.** `C ∈ {0.03, 0.1, 0.3, 1, 3, 10}`. Остальное как в базе
+(`class_weight="balanced"`). Значение `C=1` совпадает с полной серией;
+его можно не гонять, если база уже есть.
+
+**Как запускать.**
+
+```bash
+for c in 0.03 0.1 0.3 1 3 10; do
+  python -m stylometry.cli run --preset stylometry_pos_lsa --model logreg \
+    --repeats 3 --seed 42 --model-params "{\"C\": $c}"
+done
+```
+
+**Как читать.** Меньше `C` — проще модель. Если macro-F1 растёт при уменьшении
+`C`, база переобучалась. Если растёт только при `C ≥ 3`, регуляризации в базе
+было слишком много. Смотрите также log loss: он показывает калибровку, не
+только точность меток.
+
+### T2. Линейный SVM: `C`
+
+**Зачем.** Та же логика, другой критерий (зазор вместо логистической потери).
+SVM в полной серии тоже шёл с `C=1`. Если лучший `C` у SVM и logreg близки,
+вывод про регуляризацию устойчив.
+
+**Как запускать.**
+
+```bash
+for c in 0.03 0.1 0.3 1 3 10; do
+  python -m stylometry.cli run --preset stylometry_pos_lsa --model linear_svc \
+    --repeats 3 --seed 42 --model-params "{\"C\": $c}"
+done
+```
+
+**Ограничение.** У `linear_svc` нет вероятностей: log loss не считается,
+top-k строится по решающей функции.
+
+### T3. Logreg без балансировки классов
+
+**Зачем.** В корпусе 15–139 реплик на персонажа. `class_weight="balanced"`
+почти наверняка нужен, но это надо показать: иначе macro-F1 может казаться
+низким «из-за модели», хотя виноват сдвиг к частым классам (Abigail и т.д.).
+
+**Как запускать.**
+
+```bash
+python -m stylometry.cli run --preset stylometry_pos_lsa --model logreg \
+  --repeats 3 --seed 42 --model-params '{"class_weight": null}'
+```
+
+**Как читать.** Если accuracy почти не падает, а macro-F1 и balanced accuracy
+падают, модель без весов игнорирует редких персонажей. Это аргумент в пользу
+macro-F1 как основной метрики.
+
+### T4. Без `vocabulary` и `readability`
+
+**Зачем.** На репликах ~19 слов TTR, индексы Honore/Yule и формулы читаемости
+нестабильны (`FEATURES.md`, гипотеза H2). Полная серия делает leave-one-out
+(`ablate`): удаляет **по одной** группе. Здесь обе шумные группы снимаются
+сразу — ближе к тому, как собирали бы «очищенный» основной набор.
+
+**Конфиг.** `configs/tune_no_vocab_readability.toml`
+
+```bash
+python -m stylometry.cli run --config configs/tune_no_vocab_readability.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+```
+
+**Как читать.** Рост или отсутствие падения macro-F1 значит, что эти группы
+не несут устойчивого сигнала (или мешают). Сильное падение — в протоколе их
+нельзя вычёркивать без оговорки.
+
+### T5. Ещё без `length`
+
+**Зачем.** Гипотеза H4: длинные реплики классифицируются лучше. Если качество
+не падает после удаления length-признаков, различимость персонажей не сводится
+к «кто говорит длиннее». Если падает — часть результата объясняется длиной,
+это нужно явно написать в отчёте.
+
+**Конфиг.** `configs/tune_no_vocab_readability_length.toml`
+
+```bash
+python -m stylometry.cli run --config configs/tune_no_vocab_readability_length.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+```
+
+Имеет смысл сопоставить с `length-report` по базовому запуску.
+
+### T6. Символьные и POS n-граммы: узкие vs широкие
+
+**Зачем.** В полной серии фиксированы char 2–5 / 5000 и POS 1–3 / 500.
+Узкий вариант (короче n-граммы, выше `min_df`) проверяет переобучение на
+редких орфографических шаблонах. Широкий (2–6, больше признаков, `min_df=2`)
+проверяет, не теряем ли морфологию и пунктуационные привычки.
+
+**Конфиги.** `tune_char_narrow.toml`, `tune_char_wide.toml`
+
+```bash
+python -m stylometry.cli run --config configs/tune_char_narrow.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+
+python -m stylometry.cli run --config configs/tune_char_wide.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+```
+
+**Как читать.** Если wide лучше на обучении блоков, но pooled macro-F1 не выше
+базы (или хуже на редких классах) — переобучение. Если narrow не хуже базы —
+лишняя размерность не нужна.
+
+### T7. Веса блоков
+
+**Зачем.** После L2-нормировки каждый блок имеет единичную норму и конкурирует
+наравне, даже если один из них шумный. В базе веса равны. Здесь ослабляются
+char и особенно `lsa_word` (тематический риск, гипотеза H3), POS и стилометрия
+остаются сильнее.
+
+**Конфиг.** `configs/tune_block_weights.toml`
+
+```text
+stylo = 1.0
+char = 0.5
+pos = 0.7
+lsa_word = 0.3
+lsa_pos = 0.5
+```
+
+```bash
+python -m stylometry.cli run --config configs/tune_block_weights.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+```
+
+**Как читать.** Веса — такой же гиперпараметр, как `C`. Один удачный набор не
+доказывает оптимум. Если macro-F1 вырос и `lsa_word` при этом ослаблен, это
+дополнительный довод, что тема мешала стилю.
+
+### T8. Число компонент LSA: 150 и 300
+
+**Зачем.** В полной серии `lsa-sweep` смотрит `k ∈ {50, 100, 200}` по
+**отдельным** вариантам LSA. В основном пресете всегда `k=100` сразу для
+`word` и `pos`. Здесь проверяется, помогает ли больше компонент **в
+объединённом** наборе, плюс недостающие точки 150 и 300 в переборе вариантов.
+
+**Конфиги.** `tune_lsa_k150.toml`, `tune_lsa_k300.toml`
+
+```bash
+python -m stylometry.cli run --config configs/tune_lsa_k150.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+
+python -m stylometry.cli run --config configs/tune_lsa_k300.toml \
+  --preset stylometry_pos_lsa --model logreg --repeats 3 --seed 42
+
+python -m stylometry.cli lsa-sweep \
+  --variants word,content,fw,char,pos \
+  --components 150,300 \
+  --model logreg --repeats 1 --seed 42
+```
+
+**Как читать.** Рост `k` без роста macro-F1 — лишние компоненты ловят шум.
+Сравнивайте `word`/`content` с `pos`/`fw`: если выигрыш только у word-LSA,
+это снова тема, а не стиль.
+
+### T9. Случайный лес: глубина и лист
+
+**Зачем.** В `benchmark` лес идёт с дефолтами (`n_estimators=400`,
+`max_depth=None`, `min_samples_leaf=1`). На 2005×34 такая модель легко
+запоминает обучающие блоки. Сначала ограничивают глубину и увеличивают лист,
+а не число деревьев.
+
+**Как запускать.**
+
+```bash
+for depth in 10 20 30; do
+  for leaf in 2 3 5; do
+    python -m stylometry.cli run --preset stylometry_pos_lsa --model random_forest \
+      --repeats 3 --seed 42 \
+      --model-params "{\"max_depth\": $depth, \"min_samples_leaf\": $leaf}"
+  done
+done
+
+python -m stylometry.cli run --preset stylometry_pos_lsa --model random_forest \
+  --repeats 3 --seed 42 \
+  --model-params '{"max_depth": 20, "min_samples_leaf": 3, "max_features": 0.1}'
+```
+
+**Как читать.** Если мелкие деревья не хуже (или лучше) дефолтного леса из
+benchmark, сложность в базе была лишней. Сравнивайте с logreg, а не только
+друг с другом: лес может выигрывать accuracy и проигрывать macro-F1.
+
+### T10. Сверхслучайные деревья
+
+**Зачем.** Extra trees не входили в `benchmark` полной серии. Случайные пороги
+обычно снижают дисперсию относительно RF. Один контролируемый запуск
+(не полный перебор) проверяет, есть ли смысл включать модель в сравнение.
+
+```bash
+python -m stylometry.cli run --preset stylometry_pos_lsa --model extra_trees \
+  --repeats 3 --seed 42 \
+  --model-params '{"max_depth": 20, "min_samples_leaf": 3}'
+```
+
+Если результат заметно хуже logreg, модель достаточно упомянуть как проверку,
+не раздувая сетку.
+
+### T11. Дельта Барроуза: 50 и 1000 MFW
+
+**Зачем.** Классическая стилометрия на самых частотных словах. Полная серия
+уже смотрит 100/200/500. Края диапазона: 50 слов — очень компактный профиль,
+1000 — больше лексики и больше темы. На коротких репликах дельта обычно
+слабее ML; это независимая нижняя граница, не конкурент основному пресету.
+
+```bash
+python -m stylometry.cli delta \
+  --features 50,1000 --metrics manhattan,cosine --repeats 2 --seed 42
+```
+
+`zscore` в CLI не переключается (в коде по умолчанию включён), поэтому его
+здесь нет.
+
+---
+
+## 6. Рекомендуемый порядок, если запускаете вручную
+
+Не гоните все циклы сразу, если времени мало. Порядок совпадает с `TUNING.md`:
+
+1. T4, T5 — состав групп (дешево и часто полезно).
+2. T6 — n-граммы.
+3. T8 — `k` LSA в объединённом наборе.
+4. T7 — веса, если после T4–T6 остался шумный блок.
+5. T1, затем T2 — `C`.
+6. T3 — один раз, для отчёта про дисбаланс.
+7. T9, T10 — только если линейные модели уже сняты.
+8. T11 — короткая классическая проверка.
+
+После отбора 1–2 лучших конфигураций:
+
+```bash
+python -m stylometry.cli run --preset stylometry_pos_lsa --model logreg \
+  --repeats 5 --seed 42 --nested
+```
+
+Вложенная CV с расширенной сеткой честнее, чем выбор `C` по тем же OOF,
+что потом публикуете. Узкая сетка `{0.1, 1, 10}` уже есть в полной серии;
+имеет смысл `--nested` только если T1 сдвинул разумный диапазон (например,
+к `{0.03, 0.1, 0.3}`). Для этого нужно изменить `PARAM_GRIDS` в
+`stylometry/pipelines.py` — это уже правка кода, не конфиг.
+
+---
+
+## 7. Как фиксировать и чего не делать
+
+Для каждого запуска сохраняются стандартные файлы: `run_metadata.json`,
+`pooled_metrics.csv`, `bootstrap_ci.json`, `per_class_report.csv`,
+матрица ошибок. Перед сравнением откройте `run_metadata.json` и убедитесь,
+что отличаются только задуманные поля.
+
+Нельзя:
+
+- выбирать победителя по тестовой выборке вне CV;
+- менять `--folds` или `--seed` «чтобы стало лучше»;
+- сравнивать `QUICK=1` / `REPEATS=1` с финальными 5 повторами как равные;
+- объявлять улучшение без интервала и `compare`;
+- подменять macro-F1 долей правильных ответов.
+
+Ограничения корпуса те же, что в `EXPERIMENTS.md`: короткие реплики, один
+автор, ручная фильтрация, дисбаланс 15–139. Настройка модели эти ограничения
+не снимает.

lab1/configs/tune_block_weights.toml

@@ -0,0 +1,13 @@
+# Ослабить потенциально шумные блоки после L2-нормировки.
+
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features.block_weights]
+stylo = 1.0
+char = 0.5
+pos = 0.7
+lsa_word = 0.3
+lsa_pos = 0.5

lab1/configs/tune_char_narrow.toml

@@ -0,0 +1,13 @@
+# Более короткие char n-граммы, меньше признаков, строже min_df.
+
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+char_ngram_range = [2, 4]
+char_max_features = 3000
+pos_ngram_range = [1, 3]
+pos_max_features = 500
+min_df = 5

lab1/configs/tune_char_wide.toml

@@ -0,0 +1,13 @@
+# Более длинные n-граммы и больше признаков: риск переобучения.
+
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+char_ngram_range = [2, 6]
+char_max_features = 8000
+pos_ngram_range = [1, 4]
+pos_max_features = 800
+min_df = 2

lab1/configs/tune_lsa_k150.toml

@@ -0,0 +1,7 @@
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+lsa_components = 150

lab1/configs/tune_lsa_k300.toml

@@ -0,0 +1,7 @@
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+lsa_components = 300

lab1/configs/tune_no_vocab_readability.toml

@@ -0,0 +1,20 @@
+# Без нестабильных групп на коротких репликах.
+# Остальные поля пресета (n-граммы, LSA) не переопределяются.
+
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+groups = [
+    "length",
+    "lexical",
+    "characters",
+    "punctuation",
+    "function_words",
+    "pronouns",
+    "pos",
+    "syntax",
+    "dialogue",
+]

lab1/configs/tune_no_vocab_readability_length.toml

@@ -0,0 +1,18 @@
+# То же + без length: проверка, не объясняется ли сигнал длиной реплики.
+
+[cv]
+folds = 5
+repeats = 3
+seed = 42
+
+[features]
+groups = [
+    "lexical",
+    "characters",
+    "punctuation",
+    "function_words",
+    "pronouns",
+    "pos",
+    "syntax",
+    "dialogue",
+]

lab1/exports/nlp_lab1_results_20261025_210212.tar.gz.sha256

@@ -0,0 +1 @@
+5f48946e4ecf6b1888df5bd99796457b9f49dacffd4da835ce8b6ed69895e2c4  /home/folen/homework/NLP/lab1/exports/nlp_lab1_results_20261025_210212.tar.gz

lab1/exports/nlp_lab1_results_20261025_210212_manifest.txt

@@ -0,0 +1,389 @@
+Дата: Вс 25 окт 2026 21:02:12 MSK
+Каталог: /home/folen/homework/NLP/lab1
+Интерпретатор: python
+
+=== Проверка окружения ===
+Python: 3.11.2 (/home/folen/homework/NLP/lab1/.venv/bin/python)
+Каталог проекта: /home/folen/homework/NLP/lab1
+Версии библиотек:
+  numpy: 2.4.6
+  pandas: 3.1.0
+  scipy: 1.17.1
+  sklearn: 1.9.1
+  nltk: 3.10.4
+  matplotlib: 3.11.2
+Корпус:
+  файл: /home/folen/homework/NLP/lab1/data/dialogues.csv
+  SHA-256: 8946f08159daddb9d89c9d323205d4a7fb4bc617d16e300ff6c7606cb05030f7
+  реплик: 2005
+  персонажей: 34
+  словоупотреблений: 38207
+NLTK:
+  токенизатор: NLTK
+  POS-теггер: доступен
+  пример токенов: ['Oh', ',', 'that', "'s", 'right', '...', 'I', 'heard']
+  пример POS: ['INTJ', 'PUNCT', 'DET', 'AUX', 'ADJ', 'PUNCT', 'PRON', 'VERB']
+
+Окружение готово.
+{"versions": {"numpy": "2.4.6", "pandas": "3.1.0", "scipy": "1.17.1", "sklearn": "1.9.1", "nltk": "3.10.4", "matplotlib": "3.11.2"}, "n_lines": 2005}
+
+Git commit: c131815fc7b4c941d64d9ca7c7a00ea15df20df3
+
+Содержимое results:
+results/ablation_stylometry_pos_lsa_20261025_185002/ablation.csv
+results/delta_20261025_201339/delta_sweep.csv
+results/length_logreg_20261025_172732/bootstrap_ci.json
+results/length_logreg_20261025_172732/confusion_matrix.csv
+results/length_logreg_20261025_172732/confusion_matrix_normalized.csv
+results/length_logreg_20261025_172732/fold_metrics.csv
+results/length_logreg_20261025_172732/fold_summary.csv
+results/length_logreg_20261025_172732/oof_predictions.csv
+results/length_logreg_20261025_172732/per_class_report.csv
+results/length_logreg_20261025_172732/pooled_metrics.csv
+results/length_logreg_20261025_172732/run_metadata.json
+results/length_logreg_20261025_172732/summary.md
+results/length_logreg_20261025_172732/top_confusions.csv
+results/logs/tune_20261025_191658.log
+results/lsa_sweep_20261025_195217/lsa_sweep.csv
+results/README.md
+results/stylometry_pos_lsa_extra_trees_20261025_201326/bootstrap_ci.json
+results/stylometry_pos_lsa_extra_trees_20261025_201326/confusion_matrix.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/fold_metrics.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/fold_summary.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/oof_predictions.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/per_class_report.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/pooled_metrics.csv
+results/stylometry_pos_lsa_extra_trees_20261025_201326/run_metadata.json
+results/stylometry_pos_lsa_extra_trees_20261025_201326/summary.md
+results/stylometry_pos_lsa_extra_trees_20261025_201326/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_192936/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_192936/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_192936/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_192936/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_193051/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193051/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_193051/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_193051/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_193207/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193207/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_193207/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_193207/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_193328/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193328/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_193328/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_193328/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_193455/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193455/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_193455/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_193455/top_confusions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/bootstrap_ci.json
+results/stylometry_pos_lsa_linear_svc_20261025_193625/confusion_matrix.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/fold_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/fold_summary.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/oof_predictions.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/per_class_report.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/pooled_metrics.csv
+results/stylometry_pos_lsa_linear_svc_20261025_193625/run_metadata.json
+results/stylometry_pos_lsa_linear_svc_20261025_193625/summary.md
+results/stylometry_pos_lsa_linear_svc_20261025_193625/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_191805/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_191805/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_191805/summary.md
+results/stylometry_pos_lsa_logreg_20261025_191805/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_191938/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_191938/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_191938/summary.md
+results/stylometry_pos_lsa_logreg_20261025_191938/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_192116/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192116/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_192116/summary.md
+results/stylometry_pos_lsa_logreg_20261025_192116/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_192311/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192311/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_192311/summary.md
+results/stylometry_pos_lsa_logreg_20261025_192311/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_192535/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192535/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_192535/summary.md
+results/stylometry_pos_lsa_logreg_20261025_192535/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_192822/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_192822/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_192822/summary.md
+results/stylometry_pos_lsa_logreg_20261025_192822/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_193844/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_193844/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_193844/summary.md
+results/stylometry_pos_lsa_logreg_20261025_193844/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194037/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194037/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194037/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194037/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194222/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194222/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194222/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194222/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194415/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194415/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194415/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194415/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194613/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194613/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194613/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194613/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194802/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194802/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194802/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194802/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_194959/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_194959/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_194959/summary.md
+results/stylometry_pos_lsa_logreg_20261025_194959/top_confusions.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/bootstrap_ci.json
+results/stylometry_pos_lsa_logreg_20261025_195203/confusion_matrix.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/fold_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/fold_summary.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/oof_predictions.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/per_class_report.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/pooled_metrics.csv
+results/stylometry_pos_lsa_logreg_20261025_195203/run_metadata.json
+results/stylometry_pos_lsa_logreg_20261025_195203/summary.md
+results/stylometry_pos_lsa_logreg_20261025_195203/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_195744/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_195744/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_195744/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_195744/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_195906/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_195906/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_195906/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_195906/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200028/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200028/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200028/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200028/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200155/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200155/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200155/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200155/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200320/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200320/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200320/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200320/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200445/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200445/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200445/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200445/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200617/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200617/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200617/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200617/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200748/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200748/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200748/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200748/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_200916/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_200916/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_200916/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_200916/top_confusions.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/bootstrap_ci.json
+results/stylometry_pos_lsa_random_forest_20261025_201210/confusion_matrix.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/confusion_matrix_normalized.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/fold_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/fold_summary.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/oof_predictions.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/per_class_report.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/pooled_metrics.csv
+results/stylometry_pos_lsa_random_forest_20261025_201210/run_metadata.json
+results/stylometry_pos_lsa_random_forest_20261025_201210/summary.md
+results/stylometry_pos_lsa_random_forest_20261025_201210/top_confusions.csv

lab1/scripts/run_tuning_experiments.sh

@@ -0,0 +1,140 @@
+#!/usr/bin/env bash
+# Тюнинг поверх полной серии scripts/run_all_experiments.sh.
+# Не повторяет E0–E16: только гиперпараметры, состав признаков, веса, k LSA.
+#
+# Запуск из каталога lab1:
+#   bash scripts/run_tuning_experiments.sh
+#
+# Быстрый черновик:
+#   REPEATS=1 bash scripts/run_tuning_experiments.sh
+
+set -euo pipefail
+
+SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
+PROJECT_ROOT="$(cd "${SCRIPT_DIR}/.." && pwd)"
+cd "${PROJECT_ROOT}"
+
+PYTHON="${PYTHON:-python}"
+REPEATS="${REPEATS:-3}"
+SEED="${SEED:-42}"
+PRESET="${PRESET:-stylometry_pos_lsa}"
+
+LOG_DIR="${PROJECT_ROOT}/results/logs"
+mkdir -p "${LOG_DIR}"
+RUN_ID="${RUN_ID:-$(date +%Y%m%d_%H%M%S)}"
+LOG_FILE="${LOG_DIR}/tune_${RUN_ID}.log"
+exec > >(tee -a "${LOG_FILE}") 2>&1
+
+step() {
+    echo
+    echo "============================================================"
+    echo "== $*"
+    echo "============================================================"
+}
+
+run() {
+    echo
+    echo ">>> $*"
+    "$@"
+}
+
+echo "Тюнинг: $(date)"
+echo "Интерпретатор: ${PYTHON}"
+echo "Повторы: ${REPEATS}, seed: ${SEED}, пресет: ${PRESET}"
+echo "Лог: ${LOG_FILE}"
+
+step "T1. Logreg: C"
+for c in 0.03 0.1 0.3 1 3 10; do
+    run "${PYTHON}" -m stylometry.cli run \
+        --preset "${PRESET}" --model logreg \
+        --repeats "${REPEATS}" --seed "${SEED}" \
+        --model-params "{\"C\": ${c}}"
+done
+
+step "T2. Linear SVM: C"
+for c in 0.03 0.1 0.3 1 3 10; do
+    run "${PYTHON}" -m stylometry.cli run \
+        --preset "${PRESET}" --model linear_svc \
+        --repeats "${REPEATS}" --seed "${SEED}" \
+        --model-params "{\"C\": ${c}}"
+done
+
+step "T3. Logreg без балансировки классов"
+run "${PYTHON}" -m stylometry.cli run \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}" \
+    --model-params '{"class_weight": null}'
+
+step "T4. Без vocabulary и readability"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_no_vocab_readability.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+
+step "T5. Без vocabulary, readability и length"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_no_vocab_readability_length.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+
+step "T6. Char/POS n-граммы"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_char_narrow.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_char_wide.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+
+step "T7. Веса блоков"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_block_weights.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+
+step "T8. LSA k=150 и k=300 (в полной серии были 50/100/200)"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_lsa_k150.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+run "${PYTHON}" -m stylometry.cli run \
+    --config configs/tune_lsa_k300.toml \
+    --preset "${PRESET}" --model logreg \
+    --repeats "${REPEATS}" --seed "${SEED}"
+run "${PYTHON}" -m stylometry.cli lsa-sweep \
+    --variants word,content,fw,char,pos \
+    --components 150,300 \
+    --model logreg --repeats 1 --seed "${SEED}"
+
+step "T9. Случайный лес: глубина и лист"
+for depth in 10 20 30; do
+    for leaf in 2 3 5; do
+        run "${PYTHON}" -m stylometry.cli run \
+            --preset "${PRESET}" --model random_forest \
+            --repeats "${REPEATS}" --seed "${SEED}" \
+            --model-params "{\"max_depth\": ${depth}, \"min_samples_leaf\": ${leaf}}"
+    done
+done
+run "${PYTHON}" -m stylometry.cli run \
+    --preset "${PRESET}" --model random_forest \
+    --repeats "${REPEATS}" --seed "${SEED}" \
+    --model-params '{"max_depth": 20, "min_samples_leaf": 3, "max_features": 0.1}'
+
+step "T10. Extra trees (не было в benchmark полной серии)"
+run "${PYTHON}" -m stylometry.cli run \
+    --preset "${PRESET}" --model extra_trees \
+    --repeats "${REPEATS}" --seed "${SEED}" \
+    --model-params '{"max_depth": 20, "min_samples_leaf": 3}'
+
+step "T11. Дельта: 50 и 1000 MFW (100/200/500 уже в полной серии)"
+run "${PYTHON}" -m stylometry.cli delta \
+    --features 50,1000 --metrics manhattan,cosine \
+    --repeats 2 --seed "${SEED}"
+
+step "Готово"
+echo "Конец тюнинга: $(date)"
+echo "Лог: ${LOG_FILE}"
+echo
+echo "Сравнить два каталога:"
+echo "  python -m stylometry.cli compare --run-a results/<A> --run-b results/<B>"