Mermutef/NLP
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
09fc05c3276a94770a2f7b5cacbaa953484153e4
NLP/lab1/RESULTS_ANALYSIS.md

24 KiB
Raw Blame History

Анализ результатов follow-up серии

Дата анализа: 26.10.2026.

Дополнительные эксперименты, вложенный выбор конфигурации, контроль содержания, калибровка и ансамбли описаны в итоговом отчёте FINAL_REPORT.md; сводная таблица — в FINAL_RESULTS.csv.

Источник результатов:

  • ветка origin/opencode_test, коммит ac7c6f0;
  • основной архив lab1/exports/nlp_lab1_results_20261026_054117.tar.gz;
  • сводки results/followup/summary.csv, summary.md, comparisons.csv, comparisons.md;
  • документ коллеги FOLLOWUP_EXPERIMENTS.md.

Контрольные суммы архивов совпали. В основном архиве — 68 запусков; ключевые конфигурации выполнены с 5 повторами 5-блочной стратифицированной перекрёстной проверки, seed 42. Дополнительно есть nested-запуски, контроли перестановкой меток, анализ почти-дублей, длины реплик и подгрупп.

Настоящий документ — независимая сводка: что можно утверждать, что нельзя, и какие эксперименты нужны дальше.

1. Краткий ответ

  1. Персонажей можно различать, но сигнал умеренный. Лучшая конфигурация даёт macro-F1 около 0,258 при случайном уровне 0,029; top-3 — около 0,42 при случайном 0,088. Это в 7–9 раз выше случайного уровня, но не «почти безошибочная» классификация.
  2. Основной сигнал — лексико-тематический, а не чисто стилистический. Ручные стилометрические признаки дают 0,105; добавление символьных и частеречных n-грамм поднимает до 0,182; content-LSA — до 0,248–0,258. Функциональные слова и POS-LSA сами по себе слабы (0,06–0,07).
  3. Лучшие кандидаты — char_max10000_rf и model_et_default. Они статистически неразличимы: +0,0031, 3/5 повторов, p = 0,57, доверительный интервал накрывает ноль. groups_lean2_content300 тоже близок (0,251), но опирается на content-LSA, то есть скорее на тему.
  4. final_rf — не лучшая модель. Дефолтный random forest даёт 0,222, тогда как ExtraTrees — 0,255, а RF с char_max_features=10000 — 0,258. В отчёте final_rf нужно переименовать в baseline_rf или заменить.
  5. Ошибки — это коллапс в «hub»-классы, а не демографическая путаница. Abigail получает 21–23% всех предсказаний при истинной доле 6,9%; precision 0,087, recall 0,266. Редкие классы (Kent, Wizard, Penny, Mister Qi) почти не находятся.
  6. Строгий вывод о стиле пока невозможен. content-LSA и широкие символьные n-граммы могут кодировать содержание и тему. Нужен тематический контроль и внешняя валидация.

2. Ранжирование моделей

Δ — разница с ref_logreg (0,1785). Для nested-запусков указан один внешний цикл из 5 блоков, поэтому std по повторам равен нулю.

Label Модель Повторов Macro-F1 Δ Accuracy Top-3
char_max10000_rf random forest 5 0,2583 ± 0,0066 +0,0798 0,2391 0,4197
char_max10000_rf_nested random forest, nested 1×5 0,2579 +0,0794 0,2394 0,4075
groups_lean2_content300_nested logreg, nested 1×5 0,2572 +0,0788 0,2369 0,4065
model_et_default extra trees 5 0,2551 ± 0,0073 +0,0767 0,2387 0,4170
et_dNone_l2 extra trees 3 0,2538 ± 0,0089 +0,0753 0,2416 0,4308
groups_lean2_content300 logreg 5 0,2510 ± 0,0040 +0,0725 0,2379 0,4111
model_et_nested extra trees, nested 1×5 0,2486 +0,0701 0,2344 0,4259
stylometry_pos_content300 logreg 5 0,2485 ± 0,0042 +0,0700 0,2337 0,4175
rf_grid_best_5 random forest 5 0,2294 ± 0,0082 +0,0509 0,2253 0,4004
model_rf_default random forest 5 0,2213 ± 0,0065 +0,0428 0,2108 0,3893
final_rf random forest, 10 повторов 10 0,2216 ± 0,0062 +0,0431 0,2094 0,3865
model_svc_default linear SVC 5 0,1880 ± 0,0067 +0,0096 0,1840 0,3386
ref_no_lsa logreg, stylometry_pos 5 0,1815 ± 0,0054 +0,0031 0,1708 0,3395
ref_logreg logreg, stylometry_pos_lsa 5 0,1785 ± 0,0060 0 0,1679 0,3322
stylometry logreg, только ручные признаки 5 0,1051 ± 0,0038 −0,0733 0,1012 0,2338
lsa_content_k400 logreg, только content-LSA 5 0,2114 ± 0,0029 +0,0329 0,2059 0,3767
lsa_pos_k300 logreg, только POS-LSA 5 0,0667 ± 0,0040 −0,1118 0,0663 0,1556
control_length_logreg logreg, только длина 5 0,0354 ± 0,0032 −0,1430 0,0395 0,1345
control_length_dummy dummy 1 0,0038 −0,1747 0,0693 0,1022

Случайный уровень: macro-F1 ≈ 0,029, accuracy ≈ 0,029, top-3 ≈ 0,088. Контроль перестановкой меток дал 0,0270–0,0282, то есть ровно случайный уровень. Признаков утечки через метки не видно.

3. Статистическая надёжность

Главные парные сравнения:

Сравнение Δ macro-F1 Повторов в плюс McNemar p Bootstrap CI
char_max10000_rf vs ref_logreg +0,0798 5/5 < 0,0001 [+0,053, +0,099]
model_et_default vs ref_logreg +0,0767 5/5 < 0,0001 [+0,054, +0,099]
groups_lean2_content300 vs ref_logreg +0,0725 5/5 < 0,0001 [+0,053, +0,092]
stylometry_pos_content300 vs ref_no_lsa +0,0669 5/5 < 0,0001 [+0,050, +0,083]
char_max10000_rf vs model_rf_default +0,0369 5/5 0,0032 [+0,020, +0,053]
model_et_default vs model_rf_default +0,0338 5/5 0,0113 [+0,018, +0,050]
char_max10000_rf vs model_et_default +0,0031 3/5 0,5732 [−0,014, +0,021]
char_max10000_rf vs groups_lean2_content300 +0,0073 5/5 0,6593 [−0,017, +0,030]

Выводы:

  • преимущество деревьев над логистической регрессией устойчиво и велико;
  • ExtraTrees устойчиво лучше дефолтного random forest;
  • char_max10000_rf, ExtraTrees и groups_lean2_content300 между собой статистически неразличимы;
  • малые различия (+0,003…+0,009) не переживают множественную поправку и не должны трактоваться как выигрыш.

Для 46 парных сравнений нужна поправка Холма—Бонферрони. Эффекты +0,04…+0,08 с p < 0,001 её переживут; пограничные +0,003…+0,009 — нет.

4. Что именно даёт качество

Компонент Macro-F1 Интерпретация
Только длина 0,035 Слабая нижняя граница
Только ручные стилометрические признаки 0,105 Стиль/структура без лексических n-грамм
Ручные + char/POS n-граммы 0,1815 Основной прирост +0,077
То же + word/pos-LSA(k=100) 0,1785 LSA по умолчанию не помогает
То же + content-LSA(k=300) 0,2485 Сильный прирост, но это тема/лексика
Только content-LSA(k=400) 0,2114 Контент сам по себе сильнее ручной стилометрии
Только POS-LSA(k=300) 0,0667 Синтаксис в таком виде слаб
Только функциональные слова 0,0598 Стиль без лексики слаб
RF + char_max_features=10000 0,2583 Лучший результат

Это главный содержательный вывод: модель различает персонажей в первую очередь по лексико-тематическому профилю и символьным n-граммам, а не по «чистому» синтаксису или функциональным словам. Формулировка «модель выучила идиолект» слишком сильная. Корректнее: «модель различает персонажей по устойчивым лексическим и тематическим маркерам, которые автор закрепил за речевыми масками».

Дополнительное подтверждение: lean-набор без function_words, pos, vocabulary и readability даёт 0,1808, то есть не хуже полного stylometry_pos_lsa (0,1785). Удаление «стилевых» групп не ухудшает результат, потому что основной сигнал несут char- n-граммы и лексика.

5. LSA: тема или стиль

Зависимость от числа компонент для content-LSA монотонная:

k Macro-F1
100 0,1334
200 0,1796
300 0,1984
400 0,2128

Для сравнения: word при k=400 — 0,1781, char при k=400 — 0,1787, pos — около 0,071, fw — около 0,074.

Интерпретация:

  • content-LSA строится по содержательным словам и их биграммам; это кодирует о чём говорит персонаж, а не только как;
  • сильный рост при k=300–400 означает, что тематическая вариативность богата и хорошо разделяет персонажей;
  • word+pos LSA при k=100 была нейтральна, но это не значит, что «LSA вообще не работает»: важен вариант и число компонент;
  • POS-LSA при добавлении к полному набору ухудшает результат (stylometry_pos_pos300 = 0,1685 против 0,1815), то есть синтаксический LSA в текущем виде шумит.

Пока нет тематического контроля, прирост content-LSA нельзя записывать в стилометрию. Нужны: сбалансированные по темам подвыборки, удаление тематических слов или adversarial-контроль темы.

6. Ошибки модели

Для лучшей модели char_max10000_rf (таблицы per_class_report.csv и confusion_matrix.csv относятся к repeat 0; доли предсказаний проверены по всем пяти повторам):

  • Abigail получает 21–23% всех предсказаний при истинной доле 6,9%; precision 0,087, recall 0,266, F1 0,131.
  • Alex получает 11–12% при истинной доле 6,0%.
  • Худшие F1: Kent 0,000, Wizard 0,048, Penny 0,050, Mister Qi 0,069, Leah 0,083, Jodi 0,098, Linus 0,105.
  • Лучшие F1: Evelyn 0,645, Willy 0,578, Pam 0,534, Pierre 0,518, Leo 0,440, Vincent 0,393, Krobus 0,392.
  • Крупнейшие потоки ошибок: Sebastian → Abigail (40), Haley → Abigail (31), Alex → Abigail (28), Penny → Abigail (27), Sam → Abigail (25).
  • Это hub-коллапс: редкие и средние классы стягиваются в несколько популярных, а не путаются по возрасту или полу.

groups_lean2_content300 ведёт себя иначе: Abigail получает только 3,6% предсказаний, а Wizard F1 = 0,449. Ошибки моделей комплементарны, поэтому ансамбль может быть полезен.

6.1. Длина реплики

Для char_max10000_rf, repeat 0:

Длина Macro-F1 Доверительный интервал
0–5 слов 0,088 [0,033; 0,122]
6–10 0,218 [0,153; 0,258]
11–15 0,222 [0,170; 0,258]
16–20 0,239 [0,190; 0,271]
21–30 0,285 [0,238; 0,315]
31+ 0,240 [0,180; 0,273]

Зависимость немонотонная: после 30 слов качество падает. Гипотеза «чем длиннее, тем лучше» не подтверждается; длинные реплики накапливают тематические и синтаксические различия.

6.2. Подгруппы

Для char_max10000_rf, repeat 0:

  • возраст: elder 0,406, child 0,378, adult 0,232, teen 0,196;
  • пол: male 0,266, unknown 0,244, female 0,218;
  • вид: monster 0,295, human 0,246, unknown 0,056.

Это F1 внутри группы персонажей, а не качество предсказания группы. Различия описательные; они не доказывают, что модель обязана путать персонажей внутри группы.

6.3. Верификация и кластеризация

  • 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. Выше случайного, но практически слабо.
  • Кластеризация: ARI = 0 для k = 3/5/8, NMI 0,14–0,53. Устойчивых кластеров персонажей в этом пространстве нет.

7. Ансамбль: предварительный результат

По out-of-fold предсказаниям (одинаковые повторы и seed) я проверил простое голосование:

Комбинация Macro-F1
char_max10000_rf + model_et_default 0,2583
+ groups_lean2_content300 0,2728 ± 0,0024
+ stylometry_pos_content300 0,2751 ± 0,0036

Это не валидная финальная модель: голосование построено постфактум по тем же OOF-предсказаниям, которые использовались для выбора конфигураций. Но результат показывает, что ошибки моделей комплементарны и что VotingClassifier/stacking — перспективное направление. Проверять его нужно в отдельном nested-эксперименте, а не по этим числам.

8. Методологические ограничения

  1. Выбор признаков на тех же данных. char_max_features=10000, content-LSA(k=300/400) и lean-наборы выбирались по результатам на тестовых фолдах. Nested CV в текущем виде настраивает только C, max_depth и min_samples_leaf; выбор признаков остаётся снаружи. Поэтому 0,258 может быть оптимистичной оценкой. Нужен внешний holdout или nested-выбор признаков.
  2. Множественные сравнения. 46 пар; мелкие эффекты не переживают поправку Холма—Бонферрони.
  3. Один корпус. Все 2005 реплик — из одной игры; внешней валидации нет. Разбиение по репликам не учитывает сцены и диалоги.
  4. Один автор. Это классификация речевых масок, а не авторская атрибуция.
  5. Короткие тексты и дисбаланс. 15–139 реплик на класс; редкие классы имеют широкие интервалы, а hub-классы забирают предсказания.
  6. Тематический конфликт. content-LSA и char- n-граммы могут кодировать тему, сезоны, подарки, работу и имена. Без контроля темы нельзя утверждать, что модель выучила стиль.
  7. McNemar и macro-F1 не всегда согласованы. Например, отключение class_weight у logreg снижает macro-F1 на 0,029, но McNemar даёт p = 0,65, потому что общая accuracy почти не меняется. Для выводов о macro-F1 нужны повторные разницы и bootstrap, а не только McNemar.
  8. final_rf — не финальная модель. Это дефолтный RF с 0,222; он проигрывает ET и char-RF.

9. Выводы

  1. Гипотеза о различимости персонажей подтверждается частично. Лучшая модель: macro-F1 ≈ 0,258, top-3 ≈ 0,42, accuracy ≈ 0,239 при 34 классах. Это заметно выше случайного уровня, но далеко от надёжной практической классификации.
  2. Основной вклад дают лексика, символьные n-граммы и content-LSA. Ручные стилометрические признаки и POS/функциональные слова сами по себе слабы. Поэтому результат нельзя интерпретировать как «чистый идиолект».
  3. Лучшие модели — ExtraTrees и RF с расширенным char-словарём. Они статистически неразличимы. ET проще и не требует выбора char_max_features; char-RF даёт максимум, но его конфигурация выбрана на тех же данных.
  4. content-LSA — сильный, но тематический сигнал. Он улучшает результат, однако требует тематического контроля; POS-LSA в текущем виде вредит.
  5. Главная проблема — не seed, а hub-коллапс и редкие классы. Abigail, Alex и ещё несколько классов забирают чужие предсказания. Калибровка prior/порогов и работа с редкими классами перспективнее дальнейшего перебора глубины деревьев.
  6. Ансамбль моделей перспективен, но пока не проверен корректно. Предварительное голосование даёт 0,273; нужен отдельный nested-эксперимент.
  7. Для строгого вывода о стиле нужны внешняя валидация и тематический контроль. Без них корректная формулировка: «персонажи различимы по лексико-тематическому профилю и символьным n-граммам».

10. Что делать дальше

Приоритет 0 — честная финальная оценка

  1. Выбрать одну финальную модель: model_et_default (проще) или char_max10000_rf (максимум).
  2. Провести nested CV, в котором внутри внешнего цикла выбираются не только гиперпараметры, но и char_max_features, min_df, ngram_range и content-LSA(k).
  3. Либо зафиксировать конфигурацию до анализа и проверить на отдельном holdout/новом корпусе.
  4. Заменить final_rf на реального лидера или переименовать его в baseline_rf.

Приоритет 1 — тематический контроль

  • сбалансировать реплики по темам/сезонам;
  • удалить тематические слова и проверить падение content-LSA;
  • обучить классификатор темы и проверить, не объясняет ли она результат;
  • сравнить content-LSA с pos/fw на тематически однородных подвыборках.

Приоритет 2 — ошибки и калибровка

  • prior correction / temperature scaling для hub-классов;
  • пороги на OOF, оптимизирующие macro-F1, а не только accuracy;
  • анализ Abigail, Alex, Kent, Wizard, Penny;
  • отдельный отчёт по редким классам.

Приоритет 3 — ансамбли и признаки

  • VotingClassifier/stacking по OOF-вероятностям;
  • content-LSA k=400/500 с lean-набором;
  • char max_features 10000–15000, min_df 2–3;
  • block weights;
  • внешняя валидация на другом корпусе или разбиении по сценам.

11. Артефакты

lab1/exports/nlp_lab1_results_20261026_054117.tar.gz
lab1/FOLLOWUP_EXPERIMENTS.md
lab1/scripts/analyze_followup.py
lab1/scripts/run_followup_experiments.sh

После распаковки архива:

results/followup/summary.csv
results/followup/summary.md
results/followup/comparisons.csv
results/followup/comparisons.md
results/followup/<label>/

Команда для повторного анализа:

python scripts/analyze_followup.py \
    --followup-dir results/followup \
    --pairs char_max10000_rf:ref_logreg \
            char_max10000_rf:model_et_default \
            groups_lean2_content300:ref_logreg

12. Итоговая формулировка для отчёта

Персонажи Stardew Valley статистически различимы по отдельным репликам: лучшая модель достигает macro-F1 ≈ 0,26 и top-3 ≈ 0,42 при 34 классах (случайный уровень 0,029 и 0,088 соответственно). Однако основной вклад дают лексико-тематические признаки и символьные n-граммы, а не функциональные слова и синтаксис. Поэтому результат корректно интерпретировать как различимость речевых масок по лексико-тематическому профилю; для утверждения о «чистом стиле» необходимы тематический контроль и внешняя валидация.