claros 0.7.4

Учебная ML-библиотека с нуля на NumPy: sklearn-подобный интерфейс и свои робастные компоненты

Claros

Учебная ML-библиотека, написанная с нуля на чистом NumPy. Sklearn-подобный интерфейс, никаких готовых ML-зависимостей — все алгоритмы реализованы руками.

Python ≥ 3.9 · только NumPy · лицензия MIT · 32 теста зелёных

---

Содержание

• Установка
• Документация
• Как устроено
• Удобство: предобработка без Pipeline
• Функции с примерами
• Валидация
• Структура и тесты
• Дорожная карта

---

Установка

pip install claros                 # с PyPI
pip install -e ".[dev]"     # + pytest и scikit-learn для тестов

Документация

Полная документация — в папке docs/: по каждому классу параметры (тип, дефолт, смысл), методы, что возвращают, атрибуты, примеры, плюс гайд «как писать свои компоненты».

• Полный справочник всех функций — всё одним списком
• Научная статья — текст + воспроизводимый paper/experiments.py и графики
• Модели · Кластеризация и PCA · Потери и сжимающие функции
• Предобработка и конвейеры · Оценка и подбор · Как писать свои компоненты

Можно собрать в сайт: pip install mkdocs && mkdocs serve.

Как устроено

Все модели наследуют Estimator и говорят на одном языке: fit(X, y) обучает (возвращает self), predict(X) предсказывает, score(X, y) — R² (регрессоры) или доля верных (классификаторы), get_params / set_params дают клонирование. Обученные величины оканчиваются на _ (coef_, labels_).

Стержень дизайна — потеря определяет модель: весь шаг спуска это g = loss.gradient(y, p) * link.derivative(z), поэтому линейная регрессия, логистическая регрессия и SVM — один движок с разной потерей и сжимающей функцией.

---

Удобство: предобработка без Pipeline

Чтобы не собирать Pipeline руками, предобработку можно подключить прямо к модели.

prep(model, scale=1, clean_noise_features=1, pca=2) оборачивает любую модель и возвращает объект с обычным fit/predict/score/fit_predict. Опции: scale=1 — масштабирование, clean_noise_features=1 — убрать шумовые признаки, pca=k — сжать до k главных компонент (порядок: чистка → масштабирование → PCA → модель):

from claros import prep, LogisticRegression, KNeighborsClassifier

prep(LogisticRegression(), scale=1).fit(X, y)                     # + масштабирование
prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1).fit(X, y)  # + чистка шумовых признаков
prep(LogisticRegression(), pca=2).fit(X, y)                       # + сжатие до 2 главных компонент

Это все предобработчики библиотеки (StandardScaler, NoiseFeatureRemover, PCA) — больше ничего через Pipeline не идёт. Полноценный Pipeline остаётся для произвольных цепочек.

У DBSCAN и KMeans есть встроенный флаг-сокращение clean_noise_features (1 — включить нашу чистку шумовых признаков, 0 — обычный режим):

from claros import DBSCAN
DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)

Полноценный Pipeline (см. ниже) тоже остаётся — для произвольных цепочек.

---

Функции с примерами

В примерах X — матрица признаков (n, d), y — цель, X_new — новые объекты.

Линейные модели

LinearRegression(loss=MSE(), link=Identity(), lr=0.1, n_iters=300, l2=0.0) — линейная регрессия градиентным спуском. Атрибуты: coef_, intercept_.

from claros import LinearRegression
m = LinearRegression().fit(X, y)
m.predict(X_new); m.score(X, y)

LogisticRegression(loss=LogLoss(), link=Sigmoid(), lr=0.1, n_iters=300, l2=0.0) — бинарная классификация.

from claros import LogisticRegression
clf = LogisticRegression().fit(X, y)
clf.predict(X_new); clf.predict_proba(X_new)

SVM

LinearSVC(C=1.0, lr=0.01, n_iters=1000) — линейный SVM (тот же движок + HingeLoss). C — обратная сила регуляризации.

from claros import LinearSVC
clf = LinearSVC(C=1.0).fit(X, y)
clf.predict(X_new); clf.decision_function(X_new)

Наивный Байес

GaussianNB(var_smoothing=1e-9) — гауссов наивный Байес, мультикласс. Есть predict_proba.

from claros import GaussianNB
clf = GaussianNB().fit(X, y)

Деревья решений

DecisionTreeClassifier(max_depth=5, min_samples_split=2, max_features=None, random_state=None) — примесь Gini. DecisionTreeRegressor(...) — примесь = дисперсия.

from claros import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=5).fit(X, y)

Ансамбли

RandomForestClassifier(n_estimators=50, max_depth=10, max_features="sqrt", random_state=None) / RandomForestRegressor(...) — бэггинг деревьев.

from claros import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=100).fit(X, y)

GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3) / GradientBoostingRegressor(...) — бустинг по остаткам.

from claros import GradientBoostingRegressor
m = GradientBoostingRegressor(n_estimators=200).fit(X, y)

Ближайшие соседи

KNeighborsClassifier(n_neighbors=5) / KNeighborsRegressor(n_neighbors=5) — k ближайших (векторный поиск, ×3 к прежнему).

from claros import KNeighborsClassifier
clf = KNeighborsClassifier(5).fit(X, y)

Мультикласс

OneVsRestClassifier(estimator) — мультикласс из любой бинарной модели.

from claros import OneVsRestClassifier, LogisticRegression
clf = OneVsRestClassifier(LogisticRegression()).fit(X, y)

Кластеризация

DBSCAN(eps=0.5, min_samples=5, clean_noise_features=0, feature_threshold=0.9) — плотностная кластеризация; метка -1 — шум. clean_noise_features=1 убирает шумовые признаки перед кластеризацией (наша доработка). Атрибуты: labels_, remover_ (при включённом флаге).

from claros import DBSCAN
DBSCAN(eps=0.5, min_samples=5).fit_predict(X)                          # обычный DBSCAN
DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)  # + чистка шумовых признаков

KMeans(n_clusters=3, max_iter=100, n_init=10, random_state=None, clean_noise_features=0, feature_threshold=0.9) — по центрам, n_init перезапусков. Атрибуты: cluster_centers_, labels_, inertia_.

from claros import KMeans
KMeans(n_clusters=3).fit_predict(X)

Снижение размерности

PCA(n_components=2) — главные компоненты через SVD. Методы: transform, inverse_transform; атрибут explained_variance_ratio_.

from claros import PCA
X2 = PCA(n_components=2).fit_transform(X)

Функции потерь

MSE(), LogLoss(), HingeLoss(), DeadZoneLoss(delta=1.0) — DeadZoneLoss робастная (плоское дно + насыщение градиента, устойчива к выбросам).

from claros import LinearRegression, DeadZoneLoss
LinearRegression(loss=DeadZoneLoss(0.5), lr=0.02, n_iters=40000).fit(X, y)

Сжимающие функции

Identity(), Sigmoid(), ArctanLink() — ArctanLink осторожнее сигмоиды (тяжёлые хвосты).

from claros import LogisticRegression, ArctanLink
LogisticRegression(link=ArctanLink()).fit(X, y)

Предобработка и отбор признаков

StandardScaler() — среднее 0, дисперсия 1.

from claros import StandardScaler
Xs = StandardScaler().fit_transform(X)

NoiseFeatureRemover(bins=20, threshold=0.9) — убирает признаки-шум (почти равномерная гистограмма). Атрибут keep_mask_.

from claros import NoiseFeatureRemover
Xc = NoiseFeatureRemover().fit_transform(X)

Конвейер

prep(model, scale=0, clean_noise_features=0, pca=0) — предобработка к любой модели без ручного Pipeline: масштабирование, чистка шумовых признаков, PCA (см. раздел выше).

from claros import prep, KNeighborsClassifier
prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1, pca=2).fit(X, y)

Pipeline(steps) — произвольная цепочка [(имя, объект), …]: трансформеры по очереди, затем модель.

from claros import Pipeline, StandardScaler, LogisticRegression
Pipeline([("scale", StandardScaler()), ("model", LogisticRegression())]).fit(X, y)

Подбор и оценка

train_test_split(X, y, test_size=0.25, random_state=None, shuffle=True) → X_train, X_test, y_train, y_test.

from claros import train_test_split
Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.3, random_state=0)

cross_val_score(model, X, y, cv=5, shuffle=True, random_state=None) → массив оценок.

from claros import cross_val_score, RandomForestClassifier
cross_val_score(RandomForestClassifier(), X, y, cv=5).mean()

GridSearchCV(estimator, param_grid, cv=5) — перебор по сетке. Атрибуты: best_params_, best_score_, best_estimator_.

from claros import GridSearchCV, DecisionTreeClassifier
gs = GridSearchCV(DecisionTreeClassifier(), {"max_depth": [3, 5, 7]}, cv=5).fit(X, y)
gs.best_params_; gs.best_score_

Метрики

Модуль claros.metrics, все вида f(y_true, y_pred): регрессия — mse, rmse, mae, r2_score; классификация — accuracy, precision, recall, f1_score.

from claros.metrics import accuracy, r2_score
accuracy(y_true, y_pred); r2_score(y_true, y_pred)

---

Валидация

Сверено со scikit-learn на одинаковых данных:

Модель	claros	sklearn
RandomForest — accuracy (круг)	0.972	0.972
KNN — accuracy (круг)	0.983	0.983
GradientBoosting — R^2 (sin)	0.991	0.991
LinearSVC — accuracy (две группы)	1.000	1.000
GaussianNB — accuracy (3 класса)	0.972	0.972

Метки GaussianNB и DBSCAN совпадают со scikit-learn один-в-один, доли дисперсии PCA — до 4-го знака.

Структура и тесты

claros-project/
├── pyproject.toml   README.md   LICENSE   PUBLISHING.md
├── claros/            # base, losses, links, linear_model, svm, naive_bayes,
│                    # tree, ensemble, neighbors, multiclass, decomposition,
│                    # cluster, preprocessing, feature_selection, pipeline,
│                    # model_selection, metrics
└── tests/           # 32 теста

pytest tests/ -q     # 32 passed

Лицензия

MIT.