Interpolation Tables

mlumina.interpolation_tables

Пакет объединяет две независимые темы под одним именем (совпадение по расположению в дереве кода, не по смыслу):

1. TableInterpolator — 2D-интерполяция табличных данных.
2. models_evaluation.py — общие утилиты сравнения/подбора sklearn-совместимых моделей регрессии (не связаны с интерполяцией).

TableInterpolator

from mlumina.interpolation_tables import TableInterpolator

interp = TableInterpolator(df, x_col="x", y_col="y", z_col="z")

value = interp.get(4723, 937)
Xg, Yg, Zg = interp.get_grid(step_x=50, step_y=50)
interp.plot_surface(step_x=50, step_y=50)

TableInterpolator(df, x_col, y_col, z_col):

• сортирует df по x_col/y_col, строит регулярную сетку через df.pivot(index=x_col, columns=y_col, values=z_col);
• пропуски в сетке (NaN) заполняются нулями — если исходная таблица неполная/нерегулярная, это может незаметно исказить интерполяцию;
• под капотом — scipy.interpolate.RegularGridInterpolator с method="cubic".

Методы:

• get(x_val, y_val) -> float — значение Z в точке.
• get_grid(step_x=100, step_y=100) -> (Xg, Yg, Zg) — регулярная сетка с заданным шагом (в единицах X/Y, а не количестве точек).
• plot_surface(step_x=100, step_y=100) — 3D-график (matplotlib): scatter исходных точек + поверхность.

Сравнение и подбор моделей (models_evaluation.py)

Общие sklearn-совместимые (.fit/.predict) утилиты для регрессии, ничего специфичного для интерполяции.

from mlumina.interpolation_tables import (
    evaluate_model,
    grid_search_model,
    compare_multiple_models,
    compare_multiple_models_ray,
    hyperopt_search_model,
)
from mlumina.interpolation_tables.models_evaluation import compute_regression_metrics, expand_param_grid

(compute_regression_metrics, expand_param_grid и param_grid_to_hyperopt_space не реэкспортируются в mlumina.interpolation_tables.__init__ — импортировать напрямую из mlumina.interpolation_tables.models_evaluation.)

• compute_regression_metrics(y_true, y_pred) -> dict — mse, rmse, mae, r2.
• evaluate_model(model, X_train, y_train, X_test, y_test, metrics=None) -> (model, metrics) — обучает модель и считает метрики; metrics — None (все), строка (одно число) или список строк (словарь).
• expand_param_grid(param_grid) — превращает {"param": (start, end, step)} или [...] в явный список значений для перебора (используется внутри grid_search_model).
• grid_search_model(model_class, param_grid, X_train, y_train, X_test, y_test, metrics=None, optimize_metric="mse") -> (best_model, best_params, best_metrics) — полный перебор сетки для одного класса модели.
• compare_multiple_models(model_list, X_train, y_train, X_test, y_test, metrics=None, optimize_metric="mse") -> (best_model, best_params, best_metrics, best_model_class) — model_list это [(model_class, param_grid), ...]; для каждого класса выполняется grid_search_model, выбирается лучший по optimize_metric (меньше — лучше).
• compare_multiple_models_ray(...) — то же самое, но каждый (model_class, param_grid) обрабатывается в отдельной Ray-задаче (ray.put для данных + @ray.remote _ray_grid_search_task). Требует ray.init() заранее, иначе RuntimeError.
• param_grid_to_hyperopt_space(param_grid) / hyperopt_search_model(...) — тот же перебор, но через hyperopt (TPE) вместо полного grid search.

import ray
from mlumina.interpolation_tables import compare_multiple_models_ray
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import Ridge

ray.init()

model, params, metrics, model_class = compare_multiple_models_ray(
    model_list=[
        (DecisionTreeRegressor, {"max_depth": (2, 10, 1)}),
        (Ridge, {"alpha": [0.1, 1.0, 10.0]}),
    ],
    X_train=X_train, y_train=y_train, X_test=X_test, y_test=y_test,
    optimize_metric="rmse",
)

В корневом README упоминается функция evaluate_models_parallel и класс InterpolationTable — таких имён в коде нет, см. known-issues.md.