408 lines
20 KiB
Markdown
408 lines
20 KiB
Markdown
# 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.
|