NLP/lab1/FOLLOWUP_EXPERIMENTS.md

# Follow-up эксперименты

Документ продолжает `EXPERIMENTS.md`. Здесь зафиксировано, что показали
предварительные прогоны в `results/`, какие вопросы остались открытыми и какая
серия экспериментов их закрывает. Запуск серии — `scripts/run_followup_experiments.sh`,
сводка — `scripts/analyze_followup.py`.

---

## 1. Что показали текущие прогоны

### 1.1. Важная методическая поправка

В `run_metadata.json`, `benchmark/summary.csv`, `ablation.csv`,
`lsa_sweep.csv`, `delta_sweep.csv` и `length_bins.csv` основные числа часто
берутся из **repeat 0**, а не как среднее по повторам. Например, у основного
запуска `stylometry_pos_lsa/logreg` `run_metadata.metrics.macro_f1 = 0.1798`,
но среднее по пяти повторам — `0.1785 ± 0.0060`, а по 25 фолдам —
`0.1755 ± 0.0189`. Разница между repeat 0 и средним может быть больше, чем
эффект, который мы пытаемся измерить.

Поэтому в таблице ниже числа пересчитаны по `pooled_metrics.csv` (среднее по
повторам). Новый скрипт `scripts/analyze_followup.py` делает то же самое для
всех follow-up запусков.

### 1.2. Сводка результатов

| Постановка | Macro-F1, mean ± std | Повторов | Комментарий |
|---|---:|---:|---|
| `random_forest` по умолчанию | **0.2180 ± 0.0053** | 3 | лучший наблюдавшийся результат |
| `random_forest`, depth 30, leaf 1 | 0.2007 ± 0.0040 | 3 | ручная сетка не проверяла `max_depth=None` |
| `linear_svc`, C = 0.3 | 0.1878 ± 0.0052 | 3 | |
| `linear_svc`, C = 1 | 0.1871 ± 0.0048 | 3 | |
| `logreg`, nested CV | 0.1827 | 1 outer | настройка внутри фолдов |
| `stylometry_pos` / `logreg` | 0.1815 ± 0.0054 | 5 | без LSA |
| `stylometry_pos_lsa` / `logreg` | 0.1785 ± 0.0060 | 5 | LSA не улучшает |
| `logreg`, C = 10 | 0.1843 ± 0.0048 | 3 | |
| `lsa_content` / `logreg` | 0.1324 ± 0.0011 | 3 | тема даёт сигнал, но меньше полного набора |
| `lsa_char` / `logreg` | 0.1127 ± 0.0007 | 3 | |
| `stylometry` (только ручные) | 0.1051 ± 0.0038 | 5 | |
| `lsa_word` / `logreg` | 0.0943 ± 0.0020 | 3 | |
| `fw` / `logreg` | 0.0598 ± 0.0039 | 3 | |
| `lsa_pos` / `logreg` | 0.0478 ± 0.0012 | 3 | |
| `length` / `logreg` | 0.0354 ± 0.0032 | 5 | |
| `char` / `multinomial_nb` | 0.0274 ± 0.0018 | 3 | |
| `pos` / `multinomial_nb` | 0.0203 ± 0.0012 | 3 | |
| `length` / `dummy` | 0.0038 | 1 | |

Случайный уровень для 34 классов — около 0.029 по macro-F1. Почти все
осмысленные модели выше него, но разброс между повторами и seed-ами
сопоставим с разницей между многими конфигурациями.

### 1.3. Что уже можно утверждать

1. **Символьные и POS n-граммы — основной сигнал.** Переход от `stylometry`
   (0.105) к `stylometry_pos` (0.182) даёт около +0.077 macro-F1. Это больше,
   чем даёт любой LSA-блок.
2. **LSA в текущем виде не оправдан.** `stylometry_pos` (0.1815) и
   `stylometry_pos_lsa` (0.1785) статистически неразличимы: McNemar
   `p = 0.86`, bootstrap-разница `+0.0021 [-0.0108, +0.0157]`. LSA стоит
   либо убрать, либо пересобрать (другие варианты, число компонент, веса).
3. **Random forest по умолчанию лучше линейных моделей.** 0.2180 против
   0.1815–0.1878. При этом ручная сетка `max_depth ∈ {10, 20, 30}` не
   проверяла `max_depth=None`, поэтому «лучшая» точка сетки (0.2007) хуже
   дефолта. Нужна сетка вокруг дефолта: `max_depth=None`, `min_samples_leaf`,
   `max_features`, `n_estimators`, `class_weight`.
4. **Абляция намекает на шумные группы.** При 2 повторах удаление
   `function_words` (+0.0041), `pos` (+0.0026), `lexical` (+0.0020) не
   ухудшало результат. Это в пределах шума, но достаточно, чтобы проверить
   «худые» наборы на 5 повторах.
5. **Качество зависит от длины.** Для основного запуска (repeat 0):
   31+ слов — 0.2055, 21–30 — 0.1781, 11–15 — 0.1385. Гипотеза H4
   поддерживается для длинных реплик; группа 0–5 слов (n = 42) имеет слишком
   широкий интервал.
6. **Ошибки группируются.** Частые пары: Abigail↔Haley, Emily↔Leah/Penny,
   Sam↔Sebastian/Alex, Vincent↔Jas. Это согласуется с возрастными и
   гендерными подгруппами, но не доказывает, что модель обязана их путать.
7. **Класс-уровень неоднороден.** Худшие F1 (repeat 0): Kent 0.00,
   Marnie 0.035, Jodi 0.075, Penny 0.091, Maru 0.093. Лучшие: Willy 0.393,
   Evelyn 0.367, Vincent 0.333. Редкие классы (Mister Qi — 15 реплик,
   Sandy — 21, Dwarf — 23, Wizard — 24) дают широкие интервалы.
8. **Верификация и кластеризация слабые.** ROC-AUC = 0.630, EER = 0.412,
   TAR@FAR=1% = 0.035, top-1 = 0.133. Кластеризация: ARI = 0, NMI ≈ 0.31–0.35.
   Это ограничивает интерпретацию: 34-классовая задача различает персонажей
   лишь частично, и «идеальных» групп нет.
9. **Near-duplicates почти нет.** При cosine ≥ 0.9 по char 3–5 всего 3 пары,
   при ≥ 0.95 — одна, и все они внутри одного персонажа. Утечки между
   классами через почти-дубли не видно; `StratifiedGroupKFold` не обязателен,
   но проверка включена в follow-up как диагностика.

Follow-up пересмотрел пункты 2, 3 и 5: LSA оказался полезен в варианте
`content` и при k = 300–400, ExtraTrees обошёл random forest, а зависимость
качества от длины реплики оказалась немонотонной. Подробности и числа — в §7.

---

## 2. Открытые вопросы и гипотезы follow-up

| Обозначение | Гипотеза | Как проверяем |
|---|---|---|
| F-H1 | Настроенный random forest устойчиво лучше линейных моделей на ≥ 0.02 macro-F1 | F1, F2, F7; парные сравнения по повторам |
| F-H2 | LSA-блок не улучшает `stylometry_pos`; content-LSA отражает тему, а не стиль | F3; `stylometry_pos` vs `+content` vs `+pos` vs `+word/pos` |
| F-H3 | «Худые» наборы без `function_words`, `pos`, `vocabulary`, `readability` не хуже полного | F4; абляция на 5 повторах + lean-конфиги |
| F-H4 | Настройка `min_df`, `max_features`, `ngram_range` для char/POS даёт ≥ 0.01 | F5; сетка на 3 повторах, финалисты на 5 |
| F-H5 | `class_weight="balanced"` повышает macro-F1, но снижает accuracy; компромисс нужно измерить | F6; balanced vs none для logreg/SVC/RF |
| F-H6 | Ранжирование моделей устойчиво к seed | F7; seeds 7, 2024, 1337 |
| F-H7 | Ошибки концентрируются внутри возрастных/гендерных групп | F8; subgroup-report и анализ confusions |

---

## 3. Матрица экспериментов

Все запуски идут с `folds=5`. Опорный seed — 42. Если не указано иное,
повторность 5. Полный список команд и параметров — в
`scripts/run_followup_experiments.sh`; ниже — назначение стадий.

### F0. Воспроизведение опорных результатов

| Label | Что запускается | Повторов | Зачем |
|---|---|---:|---|
| `ref_logreg` | `stylometry_pos_lsa` + logreg | 5 | опорная точка 0.1785 |
| `ref_nested_logreg` | то же, `--nested` | 1 outer | честная оценка с настройкой C |
| `ref_no_lsa` | `stylometry_pos` + logreg | 5 | вклад LSA |
| `ref_stylometry` | `stylometry` + logreg | 5 | вклад n-грамм |

### F1. Сравнение моделей

| Label | Модель | Повторов |
|---|---|---:|
| `model_rf_default` | random forest по умолчанию | 5 |
| `model_et_default` | extra trees по умолчанию | 5 |
| `model_svc_default` | linear SVC, C=1 | 5 |
| `model_knn_default` | kNN | 3 |
| `model_rf_nested`, `model_et_nested`, `model_svc_nested` | те же с `--nested` | 1 outer |

### F2. Сетка вокруг random forest

Сетка строится от дефолта, потому что именно дефолт показал лучший результат.

- `max_depth ∈ {None, 30, 40}`, `min_samples_leaf ∈ {1, 2, 3}`;
- `max_features ∈ {sqrt, 0.05, 0.1}`, `n_estimators ∈ {400, 800}`;
- `class_weight ∈ {balanced_subsample (default), balanced, none}`;
- extra trees: `max_depth ∈ {None, 30}`, `min_samples_leaf ∈ {1, 2}`.

Повторность 3. Лучшая точка сетки выбирается автоматически по среднему pooled
macro-F1, затем перезапускается на `REPEATS_MAIN` повторах как
`rf_grid_best_5` и сравнивается с `model_rf_default` парно. Выбор точки по
тестовым метрикам остаётся разведочным: честная оценка — только по
`final_rf_nested`.

### F3. LSA: тема против стиля

| Label | Конфигурация | Повторов |
|---|---|---:|
| `lsa_sweep` | варианты content/char/word/pos/fw, k ∈ {100, 200, 300, 400} | 3 |
| `lsa_content_k300`, `lsa_content_k400` | LSA content отдельно | 5 |
| `lsa_char_k300`, `lsa_pos_k300` | LSA char/pos отдельно | 5 |
| `stylometry_pos_content300` | stylometry_pos + content-LSA(k=300) | 5 |
| `stylometry_pos_pos300` | stylometry_pos + POS-LSA(k=300) | 5 |
| `stylometry_pos_lsa_k300` | stylometry_pos + word/pos-LSA(k=300) | 5 |

Ключевое сравнение — `stylometry_pos_content300` vs `ref_no_lsa`. Если
content-LSA не даёт прироста, LSA-блок можно исключить из финальной модели.
Если даёт, это скорее тематический сигнал, и его нужно обсуждать отдельно,
а не выдавать за «стиль».

### F4. Абляция и lean-наборы

| Label | Что исключено |
|---|---|
| `ablate_full` | по одной группе, 5 повторов |
| `groups_lean1` | `function_words`, `pos` |
| `groups_lean2` | `function_words`, `pos`, `vocabulary`, `readability` |
| `groups_lean2_content300` | то же + content-LSA(k=300) |
| `groups_lean1_rf`, `groups_lean2_rf` | лучшие lean-наборы с random forest |

### F5. Символьные и POS n-граммы

- char: `min_df ∈ {2, 5}` (общий параметр для всех TF-IDF/LSA-блоков, не
  только для char), `char_max_features ∈ {5000, 10000}`,
  `ngram_range ∈ {(2,4), (3,5)}` при базовых `(2,5)`;
- POS: `pos_ngram_range ∈ {(1,2), (1,4)}`, `pos_max_features ∈ {500, 1000}`.

Сетка на logreg, 3 повтора. Два лучших варианта проверяются с random forest
на 5 повторах (`min_df2_rf`, `char_max10000_rf`).

### F6. Балансировка классов

`class_weight="balanced"` (по умолчанию) против `None` для logreg, linear SVC
и random forest; для RF дополнительно `"balanced"` вместо
`"balanced_subsample"`. 5 повторов. Смотреть не только macro-F1, но и
accuracy, balanced accuracy и F1 по редким классам.

### F7. Устойчивость к seed

`ref_logreg` и `model_rf_default` с seed ∈ {7, 2024, 1337} (seed 42 уже есть в
F0/F1). Для RF дополнительно меняется `random_state`. 5 повторов. Если
преимущество RF сохраняется в 3/3 дополнительных seed-ах, вывод устойчив.

### F8. Финальная модель и отчёты

- `final_rf`: random forest, 10 повторов;
- `final_rf_nested`: nested CV для честной оценки;
- `length-report`, `subgroup-report` по gender/age_group/species;
- `compare` с `ref_logreg` и `ref_no_lsa`;
- `verify` для `stylometry_pos_lsa` с seed 42/7/2024;
- `delta` по cosine для 500/1000/2000 признаков;
- `cluster` для k = 3, 5, 8.

### F9. Контроли

- `control_length_logreg` и `control_length_dummy` — нижние границы в той же
  схеме CV;
- near-duplicates по char cosine ≥ 0.8 сохраняются в
  `results/followup/negative_control/near_duplicates.csv`;
- контроль перестановкой меток: та же модель и CV на перемешанных метках,
  seeds 42/7/2024. Эмпирический chance-level должен быть около 0.02–0.03;
  если он заметно выше, в пайплайне есть утечка или артефакт.

---

## 4. Как считать результат

1. **Основная метрика** — среднее pooled macro-F1 по повторам, а не repeat 0.
   Рядом указывать std, min/max и bootstrap-интервал (последний в текущем коде
   считается по repeat 0 — это описательная оценка, не замена разбросу по
   повторам).
2. **Парные сравнения** — по общим повторам: разница macro-F1, McNemar на
   каждом повторе, bootstrap-разница. В `comparisons.csv` есть
   `n_positive`, `mean_mcnemar_p`, `n_ci_excludes_zero`. Сравнение
   корректно только при одинаковых разбиениях (тот же seed и число фолдов);
   `analyze_followup.py` сопоставляет строки по `line_id` и берёт только общие
   номера повторов.
3. **Правило решения (консервативное):** улучшение считаем убедительным,
   если одновременно:
   - средняя разница ≥ 0.01;
   - разница положительна минимум в 4 из 5 повторов (или в 3 из 3, если
     повторов 3);
   - McNemar даёт p < 0.05 в большинстве повторов;
   - bootstrap-интервал разницы не содержит ноль в большинстве повторов.

   Если эффект меньше 0.01 или знак скачет, выбираем более простую модель.
4. **Множественные сравнения.** Для итоговых утверждений применять
   Holm—Bonferroni к семейству парных p-value; в сводке сырые p-value.
5. **Не выбирать признаки/гиперпараметры по тестовым метрикам.** Сетка F2/F5 —
   разведочная; финальные числа берутся из nested CV или из конфигурации,
   выбранной до просмотра теста.
6. **Вторичные метрики:** accuracy, balanced accuracy, top-3/top-5,
   per-class F1, length bins, subgroup F1, confusions. Macro-F1 — главная, но
   не единственная.

---

## 5. Запуск

Из каталога `lab1`:

```bash
# Полная follow-up серия (около 4–4.5 часов на 12 ядрах)
PYTHON=.venv/bin/python bash scripts/run_followup_experiments.sh

# Быстрая проверка пайплайна: 1 повтор, без сетки и seed-робастности
QUICK=1 PYTHON=.venv/bin/python bash scripts/run_followup_experiments.sh

# Без тяжёлой сетки и seed-ов, но с финальной моделью
RUN_GRID=0 RUN_SEEDS=0 PYTHON=.venv/bin/python bash scripts/run_followup_experiments.sh
```

Переменные:

| Переменная | По умолчанию | Значение |
|---|---:|---|
| `PYTHON` | `python` | интерпретатор с зависимостями |
| `FOLLOWUP_DIR` | `results/followup` | куда складывать результаты (удобно для дымового теста) |
| `RUN_ID` | текущее время | суффикс имени лога |
| `QUICK` | 0 | 1 — все повторы 1, без сетки и seed-ов |
| `REPEATS_MAIN` | 5 | опорные запуски и финалисты |
| `REPEATS_GRID` | 3 | сетка RF/ET, kNN, delta |
| `REPEATS_SWEEP` | 3 | LSA-sweep |
| `REPEATS_NGRAM` | 3 | сетка n-грамм |
| `REPEATS_FINAL` | 10 | финальный RF |
| `RUN_GRID` | 1 | стадия F2 |
| `RUN_SEEDS` | 1 | стадия F7 |
| `RUN_FINAL` | 1 | стадия F8 |
| `RUN_CONTROLS` | 1 | стадия F9 |
| `SKIP_TESTS` | 0 | 1 — не запускать pytest |
| `FORCE` | 0 | 1 — перезаписать существующие label-каталоги |
| `SEED` | 42 | опорный seed |

Результаты:

```text
results/followup/
  ref_logreg/                  # один каталог на эксперимент
    run_metadata.json
    pooled_metrics.csv
    per_class_report.csv
    ...
    command.txt                # точная команда
  configs/                     # сгенерированные TOML
  comparisons/
  negative_control/
  summary.csv
  summary.md
  comparisons.csv
  comparisons.md
  manifest.tsv
results/logs/run_followup_<timestamp>.log
```

Сводка пересчитывается отдельно:

```bash
.venv/bin/python scripts/analyze_followup.py \
  --followup-dir results/followup \
  --pairs final_rf:ref_logreg final_rf:ref_no_lsa model_rf_default:ref_logreg
```

### 5.1. Проверка пайплайна

Серия прогнана целиком в дымовом режиме (1 повтор, 1 seed, временный
`FOLLOWUP_DIR`, 80 минут): все стадии отработали, `summary.csv` собрал 60
запусков с pooled-метриками, `comparisons.md` и JSON по парам сформированы,
`pytest` — 33 теста. Контроль
перестановкой меток дал macro-F1 0.0270–0.0282 (среднее 0.0276) при ожидаемом
случайном уровне ≈ 0.029 — признаков утечки не видно.

Числа дымового прогона в отчёт не идут (1 повтор), но два сигнала стоит
проверить в основной серии: `extra_trees` и `char_max_features=10000` на
одном разбиении обошли RF, а `stylometry_pos + content`-LSA(k=300) — прежний
`stylometry_pos + word/pos`-LSA(k=100). Именно это и проверяют F2, F3 и F5
на 3–5 повторах.

---

## 6. Время

Полная серия измерена на этой машине (12 ядер, sklearn 1.9.1): старт
25.10.2026 21:08:25 MSK, финиш 26.10.2026 01:19:52 MSK, итого
**4 ч 11 мин**. Это меньше первоначальной оценки 5–7 часов, которая была
получена линейным пересчётом дымового прогона и не учитывала, что заметная
часть времени — фиксированные затраты (загрузка корпуса, построение
признаков, отчёты), а не повторная CV.

| Стадия | Время (замер) |
|---|---:|
| F0: окружение, pytest, опорные запуски | 13 мин |
| F1: сравнение моделей + nested | 13 мин |
| F2: сетка RF/ET + F2.1 | 72 мин |
| F3: LSA-sweep + подтверждения | 33 мин |
| F4: абляция + lean-наборы | 43 мин |
| F5: символьные и POS n-граммы | 19 мин |
| F6: class_weight | 10 мин |
| F7: устойчивость к seed | 17 мин |
| F8: финал, verify, delta, cluster | 10 мин |
| F9: контроли, near-duplicates, перестановка, сводка | 20 мин |

`QUICK=1` на этой машине занял около **80 минут** (1 повтор, без сетки
RF/ET и seed-робастности, но со sweep, финалом и отчётами). Время зависит
от числа потоков sklearn и от стоимости LSA; на 12 ядрах `n_jobs=-1`
у GridSearchCV конкурирует с остальными стадиями.

---

## 7. Результаты полной серии

Серия прошла 25.10.2026 21:08:25 — 26.10.2026 01:19:52 MSK (4 ч 11 мин,
12 ядер). В `results/followup/` лежат 66 запусков; после серии отдельно
добавлены два nested-запуска для финалистов (`char_max10000_rf_nested`,
`groups_lean2_content300_nested`). Всего в `summary.csv` 68 строк.
Сводка — `summary.csv` / `summary.md`, парные сравнения —
`comparisons.csv` / `comparisons.md`, лог —
`results/logs/run_followup_20261025_210825.log`.

### 7.1. Ранжирование

`Δ` — разница с `ref_logreg` (0.1785 по 5 повторам). У nested-запусков
в колонке «повторов» стоит 1: это одна вложенная CV из 5 outer-фолдов,
а метрика посчитана по pooled OOF-предсказаниям, поэтому std по повторам
для них не определён.

| Label | Модель | Повторов | Macro-F1, mean ± std | Δ | Accuracy | Balanced acc. |
|---|---|---:|---:|---:|---:|---:|
| `char_max10000_rf` | random_forest | 5 | **0.2583 ± 0.0066** | +0.0798 | 0.2391 | 0.2473 |
| `char_max10000_rf_nested` | random_forest | 1 (5 folds) | **0.2579** | +0.0794 | 0.2394 | 0.2521 |
| `groups_lean2_content300_nested` | logreg | 1 (5 folds) | **0.2572** | +0.0788 | 0.2369 | 0.2587 |
| `model_et_default` | extra_trees | 5 | **0.2551 ± 0.0073** | +0.0767 | 0.2387 | 0.2418 |
| `et_dNone_l2` | extra_trees | 3 | **0.2538 ± 0.0089** | +0.0753 | 0.2416 | 0.2609 |
| `groups_lean2_content300` | logreg | 5 | **0.2510 ± 0.0040** | +0.0725 | 0.2379 | 0.2644 |
| `model_et_nested` | extra_trees | 1 (5 folds) | **0.2486** | +0.0701 | 0.2344 | 0.2478 |
| `stylometry_pos_content300` | logreg | 5 | **0.2485 ± 0.0042** | +0.0700 | 0.2337 | 0.2574 |
| `rf_grid_best_5` | random_forest | 5 | **0.2294 ± 0.0082** | +0.0509 | 0.2253 | 0.2317 |
| `model_rf_default` | random_forest | 5 | **0.2213 ± 0.0065** | +0.0428 | 0.2108 | 0.2114 |
| `final_rf` | random_forest | 10 | **0.2216 ± 0.0062** | +0.0431 | 0.2094 | 0.2112 |
| `final_rf_nested` | random_forest | 1 (5 folds) | **0.2163** | +0.0378 | 0.2055 | 0.2102 |
| `model_svc_default` | linear_svc | 5 | **0.1880 ± 0.0067** | +0.0096 | 0.1840 | 0.1869 |
| `ref_no_lsa` | logreg | 5 | **0.1815 ± 0.0054** | +0.0031 | 0.1708 | 0.1988 |
| `ref_logreg` | logreg | 5 | **0.1785 ± 0.0060** | 0.0000 | 0.1679 | 0.1874 |
| `classweight_logreg_none` | logreg | 5 | **0.1496 ± 0.0077** | −0.0289 | 0.1655 | 0.1367 |
| `ref_stylometry` | logreg | 5 | **0.1051 ± 0.0038** | −0.0733 | 0.1012 | 0.1023 |
| `control_length_logreg` | logreg | 5 | **0.0354 ± 0.0032** | −0.1430 | 0.0395 | 0.0585 |
| `control_length_dummy` | dummy | 1 | **0.0038** | −0.1747 | 0.0693 | 0.0294 |

Случайный уровень для 34 классов ≈ 0.029; контроль перестановкой меток дал
0.0276. Почти все осмысленные конфигурации выше него, но не все различия
между ними значимы.

Главные наблюдения:

1. **Лучшие результаты — деревья с расширенным char-словарём и ExtraTrees.**
   `char_max10000_rf` (0.2583) и `model_et_default` (0.2551) идут впереди
   дефолтного RF (0.2213) на +0.033…+0.037. Nested-оценки подтверждают
   масштаб: 0.2579 для char-RF и 0.2486 для ET. Разница между этими двумя
   лидерами мала (≈ +0.003; см. 7.3), поэтому выбирать между ними нужно
   по простоте и устойчивости, а не по третьему знаку.
2. **Лучший logreg — `groups_lean2_content300`** (0.2510; nested 0.2572).
   Он не уступает деревьям, но выигрывает за счёт `content`-LSA, а не за счёт
   «стилевых» признаков. Это важно для интерпретации (см. 7.2 и 7.5).
3. **Сетка вокруг RF почти ничего не дала.** `rf_grid_best_5` = 0.2294,
   то есть +0.008 к дефолту, и это в пределах шума. Основной прирост дал
   не `max_depth`/`min_samples_leaf`, а `char_max_features=10000`.
4. **LSA нельзя оценивать одной точкой.** word+pos LSA при k=100 был
   нейтрален, `content`-LSA при k=300–400 — сильный, POS-LSA — вредный.
   Зависимость от k монотонная: content 100 → 0.133, 200 → 0.180,
   300 → 0.198, 400 → 0.213 (sweep, 3 повтора).
5. **`class_weight` критичен для logreg.** Без балансировки macro-F1 падает
   на 0.029, а accuracy почти не меняется. Для деревьев эффект < 0.005
   и не значим.
6. **Разброс по seed мал, разброс по фолдам — нет.** У RF std по повторам
   0.003–0.008; у nested logreg отдельные фолды дают 0.219–0.290. Поэтому
   одна nested-оценка точнее по среднему, но не даёт интервала по повторам.
   Nested-оценка `groups_lean2_content300` (0.2572) даже выше среднего по
   5 повторам (0.2510) — это не прирост от настройки `C`, а следствие
   конкретного разбиения; сравнивать нужно средние по повторам, а nested
   использовать как оценку без оптимизма по гиперпараметрам.

### 7.2. Проверка гипотез F-H1…F-H7

| Гипотеза | Вердикт | Главные числа |
|---|---|---|
| F-H1: настроенный RF устойчиво лучше линейных моделей на ≥ 0.02 | **Подтверждена** | RF vs logreg: +0.0428 (5/5, p = 0.0006); ET vs logreg: +0.0767; nested: RF +0.0336, ET +0.0659; seed-разброс 0.221–0.222 против 0.178–0.181 |
| F-H2: LSA не улучшает `stylometry_pos`; content-LSA — тема, не стиль | **Пересмотрена** | word+pos k=100: +0.0031 (3/5, p = 0.63); content k=300: **+0.0669** (5/5, p < 0.0001); POS-LSA k=300: −0.0130; `content` k=400 отдельно: 0.2114, выше полного logreg 0.1785 |
| F-H3: lean-наборы без `function_words`, `pos`, `vocabulary`, `readability` не хуже полного | **Подтверждена (эффект ≈ 0)** | lean1 +0.0059, lean2 +0.0023 (p = 0.30/0.46); lean+RF +0.004…+0.006 (p = 0.52/0.58); выигрыша нет, но и потери нет |
| F-H4: настройка `min_df`, `max_features`, `ngram_range` даёт ≥ 0.01 | **Частично** | `min_df`, char/POS n-граммы, `pos_max_features` — все < 0.005 и не значимы; `char_max_features=10000`: logreg +0.0070 (p = 0.051), RF **+0.0369** (5/5, p = 0.0032) |
| F-H5: balanced class weights повышают macro-F1 ценой accuracy | **Частично** | logreg balanced vs none: +0.0289 macro-F1, accuracy 0.1679 vs 0.1655 (цены по accuracy нет), balanced accuracy 0.187 vs 0.137; SVC: −0.003; RF: −0.001…−0.004, но balanced accuracy 0.242 vs 0.211 |
| F-H6: ранжирование моделей устойчиво к seed | **Подтверждена** | для seed 7 / 2024 / 1337: RF 0.2221 / 0.2206 / 0.2210, logreg 0.1779 / 0.1805 / 0.1800; разрыв 0.040–0.044 во всех seed |
| F-H7: ошибки концентрируются внутри возрастных/гендерных групп | **Не подтверждена** | F1 по подгруппам различается (elder 0.33, child 0.28, adult 0.19, teen 0.16), но доля ошибок внутри своей группы ≈ случайной: gender 0.449 против 0.472, age 0.384 против 0.360; ошибки стягиваются в hub-классы (Abigail) |

**F-H2 — главный пересмотр.** Исходный вывод «LSA не оправдан» был верен
только для конфигурации по умолчанию: `word`+`pos`, k=100. При k=300–400
и варианте `content` LSA даёт большой прирост, а одна `content`-LSA(k=400)
без ручных признаков обходит полный `stylometry_pos_lsa` с logreg. При этом
`content`-LSA строится по содержательным словам и их биграммам, то есть
кодирует лексику и тему (сезоны, работа, подарки, события), а не только
идиолект. Поэтому прирост нельзя записывать в «стиль»: это может быть
«о чём персонаж говорит» вместо «как он говорит». Прямого тематического
контроля в серии нет — это следующий обязательный эксперимент (7.6).

**F-H7 — не подтверждена в исходной формулировке.** Различия в F1 по
подгруппам есть, но они не означают, что модель путает персонажей внутри
группы чаще случайного. Фактически ошибки концентрируются не в демографии,
а в нескольких «hub»-классах: Abigail получает 23.3% всех предсказаний
(её истинная доля — 6.9%), precision 0.09, recall 0.30. Крупнейшие потоки
ошибок: Sebastian → Abigail (353 раза за 10 повторов), Haley → Abigail (328),
Alex → Abigail (280), Penny → Abigail (266). Это ближе к коллапсу редких
классов в один популярный, чем к возрастной путанице.

### 7.3. Парные сравнения

Правило решения из §4: улучшение убедительно, если Δ ≥ 0.01, знак
положителен минимум в 4/5 повторов, McNemar p < 0.05 в большинстве
повторов и bootstrap-интервал не содержит ноль. `mean_ci` — средний
интервал по повторам; `n_ci` — сколько повторов его не содержат.

| A vs B | Δ macro-F1 | Повторов в плюс | McNemar p | Bootstrap CI | CI ∌ 0 |
|---|---:|---:|---:|---:|---:|
| `model_et_default` vs `ref_logreg` | +0.0767 | 5/5 | < 0.0001 | [+0.0540, +0.0988] | 5/5 |
| `groups_lean2_content300_nested` vs `ref_nested_logreg` | +0.0745 | 1/1 | < 0.0001 | [+0.0531, +0.0954] | 1/1 |
| `groups_lean2_content300` vs `ref_logreg` | +0.0725 | 5/5 | < 0.0001 | [+0.0529, +0.0917] | 5/5 |
| `stylometry_pos_content300` vs `ref_logreg` | +0.0700 | 5/5 | < 0.0001 | [+0.0526, +0.0873] | 5/5 |
| `stylometry_pos_content300` vs `ref_no_lsa` | +0.0669 | 5/5 | < 0.0001 | [+0.0496, +0.0829] | 5/5 |
| `model_rf_default` vs `ref_logreg` | +0.0428 | 5/5 | 0.0006 | [+0.0199, +0.0652] | 5/5 |
| `char_max10000_rf_nested` vs `model_rf_nested` | +0.0416 | 1/1 | < 0.0001 | [+0.0256, +0.0578] | 1/1 |
| `char_max10000_rf` vs `model_rf_default` | +0.0369 | 5/5 | 0.0032 | [+0.0201, +0.0535] | 5/5 |
| `model_et_default` vs `model_rf_default` | +0.0338 | 5/5 | 0.0113 | [+0.0176, +0.0497] | 5/5 |
| `model_et_nested` vs `model_rf_nested` | +0.0323 | 1/1 | 0.0002 | [+0.0175, +0.0473] | 1/1 |
| `stylometry_pos_lsa_k300` vs `ref_logreg` | +0.0258 | 5/5 | < 0.0001 | [+0.0145, +0.0371] | 5/5 |
| `char_max10000_rf_nested` vs `model_et_nested` | +0.0093 | 1/1 | 0.5812 | [−0.0064, +0.0262] | 0/1 |
| `rf_grid_best_5` vs `model_rf_default` | +0.0081 | 4/5 | 0.2607 | [−0.0045, +0.0222] | 2/5 |
| `char_max10000_rf` vs `groups_lean2_content300` | +0.0073 | 5/5 | 0.6593 | [−0.0165, +0.0297] | 0/5 |
| `char_max10000` vs `ref_logreg` | +0.0070 | 3/3 | 0.0514 | [+0.0016, +0.0125] | 2/3 |
| `groups_lean2_content300_nested` vs `groups_lean2_content300` | +0.0044 | 1/1 | 0.8126 | [−0.0037, +0.0117] | 0/1 |
| `char_max10000_rf` vs `model_et_default` | +0.0031 | 3/5 | 0.5732 | [−0.0145, +0.0212] | 0/5 |
| `ref_no_lsa` vs `ref_logreg` | +0.0031 | 3/5 | 0.6317 | [−0.0100, +0.0167] | 0/5 |
| `groups_lean2_content300` vs `stylometry_pos_content300` | +0.0025 | 3/5 | 0.4839 | [−0.0115, +0.0171] | 0/5 |
| `char_max10000_rf_nested` vs `groups_lean2_content300_nested` | +0.0006 | 1/1 | 0.8440 | [−0.0208, +0.0226] | 0/1 |
| `stylometry_pos_pos300` vs `ref_no_lsa` | −0.0130 | 0/5 | 0.0671 | [−0.0246, −0.0017] | 3/5 |
| `classweight_logreg_none` vs `ref_logreg` | −0.0289 | 0/5 | 0.6541 | [−0.0462, −0.0112] | 5/5 |
| `control_length_logreg` vs `ref_logreg` | −0.1430 | 0/5 | < 0.0001 | [−0.1611, −0.1215] | 5/5 |

Полные 46 сравнений — в `results/followup/comparisons.csv` и
`comparisons.md`; в таблице выше оставлены те, на которые опираются выводы.

Что важно в этой таблице:

- Прирост `content`-LSA и lean+content — самый большой и устойчивый:
  +0.067…+0.073, 5/5 повторов, p < 0.0001, интервал далеко от нуля.
- Деревья обходят logreg устойчиво: +0.043 (RF) и +0.077 (ET) относительно
  `ref_logreg`, 5/5 повторов, p ≤ 0.0006. В nested-постановке разрыв
  сохраняется: char-RF +0.042 относительно `model_rf_nested`, lean+content
  +0.075 относительно `ref_nested_logreg` (оба p < 0.0001).
- **ET значимо лучше дефолтного RF**: +0.0338, 5/5, p = 0.011,
  CI [+0.0176, +0.0497]. Это не шум, и именно ET, а не RF, стоит брать
  за базу для деревьев.
- **Два лидера между собой неразличимы.** `char_max10000_rf` vs
  `model_et_default`: +0.0031, 3/5, p = 0.57, CI накрывает ноль. В nested:
  `char_max10000_rf_nested` vs `model_et_nested` +0.0093 (p = 0.58),
  vs `groups_lean2_content300_nested` +0.0006 (p = 0.84). Выбирать между
  char-RF, ET и lean+content по этим данным нельзя — разница меньше
  неопределённости разбиения.
- `char_max10000_rf` vs дефолтный RF — редкий случай, когда настройка
  одного параметра признаков даёт > 0.03 и подтверждается на всех повторах.
- Сетка `max_depth`/`min_samples_leaf` даёт лишь +0.0081 (4/5, p = 0.26,
  CI содержит ноль), то есть подбор глубины деревьев почти бесполезен.
- Старый LSA(word+pos, k=100) действительно нейтрален (+0.0031, 3/5),
  но тот же вариант при k=300 даёт +0.0258 (5/5, p < 0.0001). Значит,
  вопрос не в «LSA вообще», а в числе компонент: при k=100 сигнал теряется.
  POS-LSA при k=300 по-прежнему вредит (−0.0130, 0/5).
- `class_weight=none` для logreg хуже по macro-F1, хотя McNemar не значим:
  обе модели часто ошибаются, но balanced-версия лучше вытягивает редкие
  классы. Это видно по balanced accuracy (0.187 против 0.137).

Сырые p-value не поправлены на множественность (46 пар). Эффекты
+0.04…+0.07 с p < 0.001 переживут Holm—Bonferroni; пограничные
(+0.003…+0.009) — нет, и их не стоит интерпретировать как выигрыш.

### 7.4. Диагностика финальной модели (`final_rf`, 10 повторов)

- **Длина реплики.** Зависимость немонотонная: 0–5 слов — 0.081 (n = 42),
  6–10 — 0.173, 11–15 — 0.182, 16–20 — 0.194, 21–30 — **0.231**,
  31+ — 0.168. Прежний вывод «чем длиннее, тем лучше» не подтвердился:
  после 30 слов качество падает, вероятно из-за накопления тематических
  и синтаксических различий.
- **Подгруппы.** Elder 0.331, child 0.280, adult 0.190, teen 0.164;
  gender: male 0.205, female 0.190, unknown 0.229; species: monster 0.269,
  human 0.201, unknown 0.035. Это F1 внутри группы, а не качество
  предсказания группы.
- **Классы.** Средний F1 по 10 повторам: медиана 0.193, минимум 0.020
  (Wizard), максимум 0.550 (Evelyn). Худшие: Wizard 0.020, Penny 0.056,
  Jodi 0.069, Maru 0.075, Mister Qi 0.081; лучшие: Evelyn 0.550, Willy 0.494,
  Pam 0.493, Pierre 0.470, Vincent 0.397. Семь классов имеют F1 < 0.1.
- **Hub-классы.** 23.3% предсказаний — Abigail при истинной доле 6.9%;
  Alex — 12.3% при 6.0%. Abigail: precision 0.09, recall 0.30, F1 0.14.
  Это главный источник ошибок и главный резерв для калибровки prior/
  порогов.
- **Верификация.** ROC-AUC 0.630–0.633, EER 0.412–0.415, TAR@FAR=1%
  0.035–0.038, top-1 0.133–0.141 для seed 42/7/2024. Выше случайного
  (1/34 = 0.029), но практически бесполезно для open-set сценария.
- **Кластеризация.** ARI = 0 для k = 3/5/8 (и agglomerative, и k-means);
  NMI 0.14–0.53. Персонажи не образуют устойчивых кластеров в этом
  признаковом пространстве.
- **Delta (MFW, cosine).** 2000 признаков — 0.2426, 1000 — 0.2299,
  500 — 0.1604 (3 повтора). Больше признаков лучше; потолок не найден.
- **Near-duplicates.** 13 пар с cosine ≥ 0.8, 3 ≥ 0.9, 1 ≥ 0.95; все —
  внутри одного персонажа, межклассовых почти-дублей нет. Утечки через
  дубли не видно.
- **Контроль перестановкой.** Macro-F1 0.0270 / 0.0274 / 0.0282 для seed
  42/7/2024 (среднее 0.0276) при случайном уровне ≈ 0.029. Пайплайн
  не подглядывает в метки.
- **Нижние границы.** Length+logreg 0.0354, dummy 0.0038. Основной результат
  (0.22–0.26) далеко от обеих границ.

### 7.5. Что это меняет в выводах

1. **«Финальная» модель в текущем виде — не лучшая.** `final_rf` — это
   дефолтный random forest (0.2216), тогда как ExtraTrees (0.2551) и
   RF с `char_max_features=10000` (0.2583) заметно лучше. В отчёте стоит
   либо переименовать `final_rf` в `baseline_rf`, либо заменить финальную
   модель на ET/char-RF и пересчитать отчёты.
2. **Главный сигнал — лексика, а не «стиль».** Сильнее всего работают
   `content`-LSA (тема/лексика) и char-ngram-словарь. Ручные стилометрические
   признаки дают лишь 0.105. Формулировка «модель различает идиолект»
   слишком сильная; корректнее — «модель различает персонажей по
   лексико-тематическому профилю и символьным n-граммам».
3. **Вложенная CV подтверждает лидеров, но не закрывает выбор признаков.**
   Nested-оценки (0.2579 / 0.2486 / 0.2572) честнее по гиперпараметрам,
   но `char_max_features=10000` и `content`-LSA(k=300) выбирались на тех же
   данных. Для строгого вывода нужна внешняя валидация или вложенный выбор
   признаков.
4. **Основная неопределённость — не seed, а разбиение и признаки.**
   Разброс по seed ≤ 0.008, а по фолдам nested logreg — до 0.07. Поэтому
   одна цифра без интервала вводит в заблуждение; нужно указывать mean ± std
   по повторам и отдельно fold-разброс.
5. **Ошибки — это hub-коллапс, а не демографическая путаница.**
   Калибровка prior/порогов и работа с редкими классами дадут больше, чем
   дальнейший подбор глубины деревьев.

### 7.6. Следующие эксперименты

1. **Nested CV с выбором признаков внутри внешнего цикла.** Сейчас nested
   крутит только `C`/`max_depth`/`min_samples_leaf`; `char_max_features`
   и `k` LSA фиксированы. Нужен внешний цикл, в котором выбираются и они,
   либо отдельный held-out набор для выбора признаков.
2. **`content`-LSA k=400/500 + lean2.** Sweep показывает монотонный рост
   до k=400; стоит проверить k=400 и 500 с `groups_lean2_content*` и
   `stylometry_pos_content*`, желательно сразу с nested-оценкой.
3. **Тематический контроль.** Проверить, сохраняется ли прирост
   `content`-LSA, если: (а) сбалансировать реплики по темам/сезонам,
   (б) удалить тематические слова, (в) обучить adversarial-классификатор
   темы и убрать её компоненту. Без этого нельзя утверждать, что модель
   ловит стиль, а не «о чём говорят».
4. **Калибровка hub-классов.** Prior correction, temperature scaling или
   пороги на OOF для Abigail/Alex; оптимизировать macro-F1 декодированием,
   а не только обучением. Смотреть precision/recall по редким классам.
5. **Отчёты и статистика.** Заменить `final_rf` на реального лидера,
   добавить Holm—Bonferroni для семейства парных сравнений, считать
   иерархические интервалы (повтор × фолд), а не только repeat-0 bootstrap.
6. **Внешняя валидация.** Другой корпус, другая игра или хотя бы разбиение
   по сценам/диалогам, а не по отдельным репликам. Только оно покажет,
   переносится ли лексико-тематический сигнал за пределы этого корпуса.

---

## 8. Ограничения

- Корпус 2005 реплик, 34 класса, минимум 15 реплик на класс. Доверительные
  интервалы по редким персонажам останутся широкими даже при 10 повторах.
- Повторная CV с одними и теми же 2005 репликами не заменяет внешнюю
  валидацию на новом корпусе.
- `content`-LSA может отражать тему (сезоны, подарки, работа), а не идиолект.
  Поэтому его вклад нельзя интерпретировать как «стиль» без отдельного
  контроля (например, обучения на тематически сбалансированных подвыборках).
- `verify` и `cluster` не имеют параметра `repeats`; для них меняется только
  seed/разбиение, поэтому выводы по ним слабее, чем по CV.
- При интерпретации subgroup-метрик нужно помнить, что это F1 внутри группы
  персонажей, а не качество предсказания самой группы.