Руководство пользователя по запуску Boosting Testing Framework

Структура проекта

В корне проекта находятся основные скрипты и каталоги:

• main.py — точка входа с CLI
• configs/ — JSON-файлы с описанием экспериментов
• datasets/ — папка с исходными и сгенерированными CSV
• models/ — реализации алгоритмов бустинга
• utils/ — утилиты для генерации данных, визуализации и парсинга конфигов
• results/ — сюда будут сохраняться результаты учебного и тестового запусков

Генерация синтетических датасетов

Запустите интерактивный генератор, чтобы создать двумерные выборки и сохранить их в datasets/. При нажатии на график добавляйте контрольные точки, настраивайте параметры шумa и числа образцов, затем нажмите Save.

python main.py --mode generate

Запуск обучения эксперимента

Выполните команду с указанием нужного JSON-конфига из папки configs. Если параметр --cfg не задан, будет взят файл cfg.json. На выходе в results/ появится папка вида <timestamp>-<cfg_name>, содержащая копии train/test выборок, предсказания и файл results.csv со сводными метриками.

python main.py --mode train --cfg <имя_конфигурации>.json

Визуализация результатов

Чтобы построить графики по уже имеющимся данным, запустите режим plot. Параметр --plot_dirs позволяет указать конкретные подпапки внутри results. В указанной директории появится папка plots/ с PNG-файлами.

python main.py --mode plot --plot_dirs <папка1> <папка2> …

Полный цикл «обучение + визуализация»

Для автоматического последовательного запуска обучения и построения графиков используйте режим trainplot. Все визуализации будут сохранены в results/<…>/plots/.

python main.py --mode trainplot --cfg <имя_конфигурации>.json

Настройка эксперимента

Откройте нужный JSON-файл в каталоге configs/ и измените четыре раздела: список algorithms (имен моделей), блок estimator (тип и параметры базового классификатора), раздел test (параметры разбивки, число синтетических задач, многопоточность и список CSV) и раздел model (сетки гиперпараметров для каждого алгоритма). После сохранения изменений выполните команду запуска обучения или полного цикла.

Советы по отладке и воспроизводимости

Всегда указывайте random_state в конфиге для идентичности выборок между запусками. Для контроля использования оперативной памяти можно вызывать функцию utils/misc.get_memory_usage_mb(). При необходимости запуска отдельных компонентов или отладки визуализации обращайтесь напрямую к функциям в models/ и utils/plotting.py.