Spaces:
Sleeping
Sleeping
File size: 4,629 Bytes
bf5fb5f 8ffb539 bf5fb5f 1a758de bf5fb5f 1a758de bf5fb5f 1a758de bf5fb5f |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 |
# ============================================
# Fichier: trainers/cuml/svm_trainer.py
# ============================================
from cuml.svm import SVC
import cupy as cp
from typing import Optional
from cuml_trainer import CuMLTrainer
from config import Config
from interfaces.cuml_tfidf_vectorizer import CuMLTfidfVectorizer
from interfaces.metrics_calculator import DefaultMetricsCalculator
class SvmTrainer(CuMLTrainer):
"""
Entraîneur spécifique utilisant un classifieur SVC (Support Vector Classifier) de la librairie cuML.
Hérite de CuMLTrainer, qui hérite lui-même de BaseTrainer.
Cette classe implémente les méthodes spécifiques à l'utilisation d'un modèle SVM
pour la classification binaire ou multi-classes, en exploitant les capacités GPU
offertes par la librairie cuML.
"""
def __init__(self, config: Config, data_path: str, target_column: str) -> None:
"""
Initialise un SvmTrainer avec la configuration et les paramètres
du parent CuMLTrainer.
:param config: Configuration globale du système.
:param data_path: Chemin vers le fichier de données.
:param target_column: Nom de la colonne cible.
"""
super().__init__(config, data_path, target_column)
def _build_classifier(self) -> None:
"""
Crée et configure un classifieur SVC selon les paramètres
spécifiés dans la configuration.
Utilise directement les paramètres de la configuration pour initialiser
le modèle avec les hyperparamètres appropriés (ex: kernel, C, gamma, etc.).
"""
params = self.config.model.params or {}
self.classifier = SVC(**params)
def build_components(self) -> None:
"""
Instancie le vectorizer, le classifieur SVC et le calculateur de métriques.
Cette méthode configure tous les composants nécessaires au fonctionnement
du trainer, en se basant sur les paramètres spécifiés dans la configuration.
"""
# Récupération de la méthode et des paramètres de vectorisation
vector_method = self.config.vectorization.method
vector_params = self.config.vectorization.dict().get(vector_method, {})
self.vectorizer = CuMLTfidfVectorizer(**vector_params)
# Construction du classifieur
self._build_classifier()
# Initialisation du calculateur de métriques
self.metrics_calculator = DefaultMetricsCalculator()
def train(self) -> None:
"""
Entraîne le classifieur SVC sur les données vectorisées.
Utilise l'implémentation fournie par la classe parente CuMLTrainer,
qui s'occupe du chargement des données, de la vectorisation et de l'entraînement.
"""
super().train()
def evaluate(self) -> dict:
"""
Évalue le classifieur SVC et calcule les métriques appropriées.
Utilise l'implémentation fournie par la classe parente CuMLTrainer,
qui s'occupe du chargement des données, de la vectorisation, de la prédiction
et du calcul des métriques via le metrics_calculator.
:return: Dictionnaire contenant les métriques calculées.
"""
return super().evaluate()
def _get_binary_predictions(self, X: cp.ndarray) -> cp.ndarray:
"""
Retourne les prédictions binaires du modèle SVC.
Cette méthode est spécifiquement utilisée pour obtenir des prédictions
binaires (0/1) à partir du modèle entraîné.
:param X: Matrice de caractéristiques au format cupy.ndarray.
:return: Vecteur de prédictions binaires.
"""
X_prepared = self._prepare_input_for_predict(X)
return self.classifier.predict(X_prepared)
def _get_positive_probabilities(self, X: cp.ndarray) -> Optional[cp.ndarray]:
"""
Retourne les probabilités de la classe positive si disponible.
Cette méthode est utilisée pour obtenir les probabilités d'appartenance
à la classe positive, utile notamment pour calculer l'AUC-ROC ou
pour des seuils de décision personnalisés.
:param X: Matrice de caractéristiques au format cupy.ndarray.
:return: Vecteur de probabilités ou None si non disponible.
"""
if hasattr(self.classifier, 'predict_proba'):
X_prepared = self._prepare_input_for_predict(X)
return self.classifier.predict_proba(X_prepared)[:, 1]
return None
|