API Reference: Config Models

Модуль src.data_science_project.config_models предоставляет Pydantic модели для валидации конфигураций ML пайплайна.

Модели

DataConfig

Конфигурация данных.

Поля: - raw_data_path (str): Путь к исходным данным - processed_data_path (str): Путь к обработанным данным - target_column (str): Название целевой переменной - test_size (float): Размер тестовой выборки (0.0-1.0) - random_state (int): Seed для воспроизводимости

Пример:

from src.data_science_project.config_models import DataConfig

data_config = DataConfig(
    raw_data_path="data/raw/WineQT.csv",
    processed_data_path="data/processed",
    target_column="quality",
    test_size=0.2,
    random_state=42
)

ModelConfig

Конфигурация модели.

Поля: - model_type (str): Тип модели (linear, ridge, lasso, rf, gb, etc.) - params (dict): Параметры модели

Пример:

from src.data_science_project.config_models import ModelConfig

model_config = ModelConfig(
    model_type="rf",
    params={
        "n_estimators": 100,
        "max_depth": 10
    }
)

TrainingConfig

Конфигурация обучения.

Поля: - data (DataConfig): Конфигурация данных - model (ModelConfig): Конфигурация модели - enable_validation (bool): Включить валидацию

Пример:

from src.data_science_project.config_models import TrainingConfig

training_config = TrainingConfig(
    data=data_config,
    model=model_config,
    enable_validation=True
)

PipelineConfig

Конфигурация пайплайна.

Поля: - config_file (str): Путь к конфигурационному файлу - stages (list[str]): Список стадий для выполнения

Пример:

from src.data_science_project.config_models import PipelineConfig

pipeline_config = PipelineConfig(
    config_file="config/train_params.yaml",
    stages=["prepare_data", "train_model", "evaluate_model"]
)

Загрузка из файла

from src.data_science_project.config_models import TrainingConfig
from pathlib import Path
import yaml

# Загрузка из YAML
with open("config/train_params.yaml") as f:
    config_data = yaml.safe_load(f)
    config = TrainingConfig(**config_data)

Валидация

Pydantic автоматически валидирует данные:

from src.data_science_project.config_models import ModelConfig

# Это вызовет ValidationError
try:
    model_config = ModelConfig(
        model_type="invalid_model",
        params={}
    )
except ValidationError as e:
    print(f"Ошибка валидации: {e}")

Поддерживаемые типы моделей

linear - Linear Regression
ridge - Ridge Regression
lasso - Lasso Regression
elasticnet - ElasticNet Regression
knn - K-Nearest Neighbors
svr - Support Vector Regression
dt - Decision Tree
rf - Random Forest
ada - AdaBoost
gb - Gradient Boosting