LANCETNIC 4.1.0

LANCETNIC - это библиотека, которая представляет базовый набор для решения задач по поиску взаимосвязей между признаками объекта и целевой переменной.

Решение построено на парадигме обучения с учителем: модель обучается на размеченных данных, где каждому объекту сопоставлена соответствующая метка (целевая переменная).

Официальный сайт: https://lancetnic.ru/

Решаемые задачи

Библиотека поддерживает несколько классов задач машинного обучения:

1. Задача классификации

Состоит в предсказании категориальной метки (класса) для объекта.

• Бинарная классификация (спам/не спам; выдача кредита/отказ в выдаче и т.д.)
• Многоклассовая классификация (определение тональности текста: позитивный/негативный/нейтральный и т.д.)

2. Задача регрессии

Состоит в предсказании непрерывной числовой величины.

• Прогнозирование рыночной стоимости недвижимости
• Оценка времени доставки заказов
• Предсказание любых количественных показателей

3. Многозадачное обучение (Multi-Task Learning)

Одновременное решение задач классификации и регрессии на одном наборе данных.

• Совместное прогнозирование категории и числового значения
• Оптимизация нескольких целей одновременно
• Настраиваемое соотношение потерь для каждой задачи

🛠 Функциональные возможности

LANCETNIC предоставляет комплексный набор инструментов для полного цикла машинного обучения:

• Предварительная обработка и векторизация данных

  • Поддержка текстовых данных через TF-IDF векторизацию
  • Поддержка числовых признаков с масштабированием
  • Гибридная обработка комбинированных данных

• Обучение модели на размеченных выборках

  • Автоматическое разделение на обучающую и валидационную выборки
  • Настраиваемые гиперпараметры (размер скрытого слоя, количество слоев, dropout)
  • Выбор оптимизатора (Adam, SGD, RMSprop)
  • Выбор функции потерь (CrossEntropyLoss и MSELoss)

• Визуализация ключевых метрик качества

  • Матрица ошибок (Confusion Matrix) для классификации
  • Графики динамики потерь (Train/Val Loss)
  • Графики точности (Train/Val Accuracy)
  • F1-score, Precision, Recall для классификации
  • MAE, RMSE для регрессии
  • Scatter plot с линией регрессии
  • Распределение классов в датасете

• Инференс - применение обученной модели к новым данным

Библиотека поддерживает работу как с чисто текстовыми данными, так и с гибридными наборами, включающими комбинации различных типов информации.

🏗 Архитектуры моделей

Модели для классификации:

• ScalpelMC - полносвязная нейронная сеть для многоклассовой классификации
• LancetMC - LSTM-сеть для работы с последовательностями
• LancetMCA - LSTM с механизмом внимания (Attention)
• LancetMCA_gru - GRU с механизмом внимания

Модели для регрессии:

• ScalpelReg - полносвязная нейронная сеть для регрессии
• LancetReg - LSTM-сеть для регрессии на последовательностях

Модели для многозадачного обучения:

• ScalpelMTSK - мультимодель, объединяющая классификацию и регрессию

✨ Преимущества

• Эффективность обучения - библиотека обеспечивает высокую скорость обучения моделей при сохранении удобства использования
• Низкие аппаратные требования - в отличие от крупных языковых моделей (LLM), LANCETNIC не предъявляет высоких требований к вычислительным ресурсам, что делает её доступной для широкого круга пользователей и сценариев
• Персонализация под данные пользователя - возможность обучения моделей на собственных размеченных наборах данных, что обеспечивает адаптацию к специфике конкретной предметной области
• Автоматическое сохранение результатов - все метрики, графики и модели сохраняются автоматически в структурированные папки
• Гибкая настройка - полный контроль над архитектурой модели и параметрами обучения

🚀 Установка:

Установка с помощью CUDA

Для работы с графическим процессором рекомендуется установить PyTorch с поддержкой CUDA (ОПЦИОНАЛЬНО):

pip install torch==2.5.1+cu124 --index-url https://download.pytorch.org/whl/cu124

Затем установка lancetnic:

pip install lancetnic

👥 Авторы

• Lancet52
• e-mail для связи: lancetFPV@yandex.ru

📄 Документация