predictV1/educationML/train_model_pro_long_old.py

import os
import pandas as pd
import numpy as np
from catboost import CatBoostClassifier, Pool
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

print("Загрузка датасета...")

df = pd.read_parquet("data/dataset_from_db.parquet")

print(f"Всего записей (матчей): {len(df)}")
print(f"Radiant wins: {df['y'].sum()} ({df['y'].mean()*100:.1f}%)")
print(f"Dire wins: {len(df) - df['y'].sum()} ({(1-df['y'].mean())*100:.1f}%)")

# --- Преобразование в long-format ---
print("\nПреобразование в long-format...")

hero_cols_r = [f"r_h{i}" for i in range(1, 6)]
hero_cols_d = [f"d_h{i}" for i in range(1, 6)]
pos_cols_r = [f"rp_h{i}" for i in range(1, 6)]
pos_cols_d = [f"dp_h{i}" for i in range(1, 6)]

rows = []

for idx, row in df.iterrows():
    match_id = idx
    is_first_pick_radiant = int(row.get("is_first_pick_radiant", 0))
    radiant_win = int(row["y"])

    # Radiant team (5 героев)
    for i in range(5):
        hero_id = int(row[hero_cols_r[i]])
        position = int(row[pos_cols_r[i]])

        if hero_id >= 0:  # Только валидные герои
            rows.append({
                "match_id": match_id,
                "is_first_pick_radiant": is_first_pick_radiant,
                "team": 0,  # Radiant
                "hero_id": hero_id,
                "position": position,
                "radiant_win": radiant_win
            })

    # Dire team (5 героев)
    for i in range(5):
        hero_id = int(row[hero_cols_d[i]])
        position = int(row[pos_cols_d[i]])

        if hero_id >= 0:  # Только валидные герои
            rows.append({
                "match_id": match_id,
                "is_first_pick_radiant": is_first_pick_radiant,
                "team": 1,  # Dire
                "hero_id": hero_id,
                "position": position,
                "radiant_win": radiant_win
            })

df_long = pd.DataFrame(rows)

print(f"\nLong-format датасет создан:")
print(f"Всего записей (пиков): {len(df_long)}")
print(f"Уникальных матчей: {df_long['match_id'].nunique()}")
print(f"Средних пиков на матч: {len(df_long) / df_long['match_id'].nunique():.1f}")

# Целевая переменная
y = df_long["radiant_win"].astype(int)

# Признаки
feature_cols = ["team", "hero_id", "position"]
X = df_long[feature_cols].copy()

# Убедимся в правильных типах
X["team"] = X["team"].astype(int)
X["hero_id"] = X["hero_id"].astype(int)
X["position"] = X["position"].astype(int)

# Разбиение (важно: разбиваем по match_id, чтобы пики одного матча были в одном сплите)
unique_matches = df_long["match_id"].unique()
train_matches, test_matches = train_test_split(
    unique_matches,
    test_size=0.1,
    random_state=42
)

train_mask = df_long["match_id"].isin(train_matches)
test_mask = df_long["match_id"].isin(test_matches)

X_train = X[train_mask].reset_index(drop=True)
y_train = y[train_mask].reset_index(drop=True)
X_test = X[test_mask].reset_index(drop=True)
y_test = y[test_mask].reset_index(drop=True)

print(f"\nTrain: {len(X_train)} пиков ({len(train_matches)} матчей)")
print(f"Test:  {len(X_test)} пиков ({len(test_matches)} матчей)")

# Категориальные признаки
cat_features = ["team", "hero_id", "position"]
train_pool = Pool(X_train, y_train, cat_features=cat_features)
test_pool = Pool(X_test, y_test, cat_features=cat_features)

# Модель с более агрессивной регуляризацией для малого датасета
model = CatBoostClassifier(
    iterations=1000,
    learning_rate=0.1,  # Увеличили learning rate
    depth=4,  # Уменьшили глубину
    l2_leaf_reg=5,  # Увеличили регуляризацию
    min_data_in_leaf=20,  # Добавили минимум данных в листе
    bootstrap_type="Bayesian",
    bagging_temperature=0.5,  # Уменьшили для меньшего разброса
    loss_function="Logloss",
    eval_metric="AUC",
    random_seed=42,
    verbose=50,
    od_type="Iter",
    od_wait=50,  # Уменьшили patience
    use_best_model=True
)

print("\nНачало обучения...")
model.fit(train_pool, eval_set=test_pool, use_best_model=True)

# --- Оценка качества ---
best_scores = model.get_best_score()
train_auc_cb = best_scores.get("learn", {}).get("AUC", np.nan)
test_auc_cb = best_scores.get("validation", {}).get("AUC", np.nan)

y_train_proba = model.predict_proba(train_pool)[:, 1]
y_test_proba = model.predict_proba(test_pool)[:, 1]
train_auc = roc_auc_score(y_train, y_train_proba)
test_auc = roc_auc_score(y_test, y_test_proba)

print(f"\nCatBoost best AUC (learn/valid): {train_auc_cb:.4f} / {test_auc_cb:.4f}")
print(f"Recomputed AUC (train/test):      {train_auc:.4f} / {test_auc:.4f}")

# --- Сохранение ---
os.makedirs("artifacts", exist_ok=True)
model_path = "artifacts/model_from_db_pro_v3.cbm"
model.save_model(model_path)
print(f"\nМодель сохранена: {model_path}")

# Порядок фичей
pd.DataFrame(feature_cols, columns=["feature"]).to_csv(
    "artifacts/feature_order_db.csv", index=False
)
print("Порядок фичей сохранен в artifacts/feature_order_db.csv")

# Важность признаков
importance = model.get_feature_importance(train_pool)
importance_df = (
    pd.DataFrame({"feature": X_train.columns, "importance": importance})
    .sort_values("importance", ascending=False)
    .reset_index(drop=True)
)

print("\nВажность признаков:")
print(importance_df.to_string(index=False))

importance_df.to_csv("artifacts/feature_importance_db.csv", index=False)