claros 0.7.0__tar.gz

claros-0.7.0/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2026 Сафин Георгий
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

claros-0.7.0/PKG-INFO

@@ -0,0 +1,318 @@
+Metadata-Version: 2.4
+Name: claros
+Version: 0.7.0
+Summary: Учебная ML-библиотека с нуля на NumPy: sklearn-подобный интерфейс и свои робастные компоненты
+Author-email: Сафин Георгий <sikirchannel@gmail.com>
+License: MIT
+Project-URL: Homepage, https://github.com/kuketa-tech/claros
+Project-URL: Repository, https://github.com/kuketa-tech/claros
+Keywords: machine-learning,numpy,from-scratch,education,scikit-learn
+Classifier: Development Status :: 4 - Beta
+Classifier: Intended Audience :: Science/Research
+Classifier: Intended Audience :: Education
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Requires-Python: >=3.9
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: numpy>=1.20
+Provides-Extra: dev
+Requires-Dist: pytest; extra == "dev"
+Requires-Dist: scikit-learn; extra == "dev"
+Dynamic: license-file
+
+# Claros
+
+**Учебная ML-библиотека, написанная с нуля на чистом NumPy.** Sklearn-подобный интерфейс, никаких готовых ML-зависимостей — все алгоритмы реализованы руками.
+
+`Python ≥ 3.9` · `только NumPy` · `лицензия MIT` · `32 теста зелёных`
+
+---
+
+## Содержание
+
+- [Установка](#установка)
+- [Документация](#документация)
+- [Как устроено](#как-устроено)
+- [Удобство: предобработка без Pipeline](#удобство-предобработка-без-pipeline)
+- [Функции с примерами](#функции-с-примерами)
+- [Валидация](#валидация)
+- [Структура и тесты](#структура-и-тесты)
+- [Дорожная карта](#дорожная-карта)
+
+---
+
+## Установка
+
+```bash
+pip install -e .            # библиотека
+pip install -e ".[dev]"     # + pytest и scikit-learn для тестов
+```
+
+## Документация
+
+Полная документация — в папке [`docs/`](docs/index.md): по каждому классу параметры (тип, дефолт, смысл), методы, что возвращают, атрибуты, примеры, плюс гайд «как писать свои компоненты».
+
+- [**Полный справочник всех функций**](docs/reference.md) — всё одним списком
+- [Модели](docs/models.md) · [Кластеризация и PCA](docs/clustering.md) · [Потери и сжимающие функции](docs/losses-and-links.md)
+- [Предобработка и конвейеры](docs/preprocessing-and-pipelines.md) · [Оценка и подбор](docs/evaluation.md) · [Как писать свои компоненты](docs/extending.md)
+
+Можно собрать в сайт: `pip install mkdocs && mkdocs serve`.
+
+## Как устроено
+
+Все модели наследуют `Estimator` и говорят на одном языке: `fit(X, y)` обучает (возвращает `self`), `predict(X)` предсказывает, `score(X, y)` — R² (регрессоры) или доля верных (классификаторы), `get_params` / `set_params` дают клонирование. Обученные величины оканчиваются на `_` (`coef_`, `labels_`).
+
+Стержень дизайна — **потеря определяет модель**: весь шаг спуска это `g = loss.gradient(y, p) * link.derivative(z)`, поэтому линейная регрессия, логистическая регрессия и SVM — один движок с разной потерей и сжимающей функцией.
+
+---
+
+## Удобство: предобработка без Pipeline
+
+Чтобы не собирать `Pipeline` руками, предобработку можно подключить прямо к модели.
+
+**`prep(model, scale=1, clean_noise_features=1, pca=2)`** оборачивает **любую** модель и возвращает объект с обычным `fit`/`predict`/`score`/`fit_predict`. Опции: `scale=1` — масштабирование, `clean_noise_features=1` — убрать шумовые признаки, `pca=k` — сжать до k главных компонент (порядок: чистка → масштабирование → PCA → модель):
+
+```python
+from claros import prep, LogisticRegression, KNeighborsClassifier
+
+prep(LogisticRegression(), scale=1).fit(X, y)                     # + масштабирование
+prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1).fit(X, y)  # + чистка шумовых признаков
+prep(LogisticRegression(), pca=2).fit(X, y)                       # + сжатие до 2 главных компонент
+```
+
+Это все предобработчики библиотеки (`StandardScaler`, `NoiseFeatureRemover`, `PCA`) — больше ничего через Pipeline не идёт. Полноценный `Pipeline` остаётся для произвольных цепочек.
+
+У `DBSCAN` и `KMeans` есть встроенный флаг-сокращение `clean_noise_features` (1 — включить нашу чистку шумовых признаков, 0 — обычный режим):
+
+```python
+from claros import DBSCAN
+DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)
+```
+
+Полноценный `Pipeline` (см. ниже) тоже остаётся — для произвольных цепочек.
+
+---
+
+## Функции с примерами
+
+> В примерах `X` — матрица признаков `(n, d)`, `y` — цель, `X_new` — новые объекты.
+
+### Линейные модели
+
+**`LinearRegression(loss=MSE(), link=Identity(), lr=0.1, n_iters=300, l2=0.0)`** — линейная регрессия градиентным спуском. Атрибуты: `coef_`, `intercept_`.
+```python
+from claros import LinearRegression
+m = LinearRegression().fit(X, y)
+m.predict(X_new); m.score(X, y)
+```
+
+**`LogisticRegression(loss=LogLoss(), link=Sigmoid(), lr=0.1, n_iters=300, l2=0.0)`** — бинарная классификация.
+```python
+from claros import LogisticRegression
+clf = LogisticRegression().fit(X, y)
+clf.predict(X_new); clf.predict_proba(X_new)
+```
+
+### SVM
+
+**`LinearSVC(C=1.0, lr=0.01, n_iters=1000)`** — линейный SVM (тот же движок + `HingeLoss`). `C` — обратная сила регуляризации.
+```python
+from claros import LinearSVC
+clf = LinearSVC(C=1.0).fit(X, y)
+clf.predict(X_new); clf.decision_function(X_new)
+```
+
+### Наивный Байес
+
+**`GaussianNB(var_smoothing=1e-9)`** — гауссов наивный Байес, мультикласс. Есть `predict_proba`.
+```python
+from claros import GaussianNB
+clf = GaussianNB().fit(X, y)
+```
+
+### Деревья решений
+
+**`DecisionTreeClassifier(max_depth=5, min_samples_split=2, max_features=None, random_state=None)`** — примесь Gini.
+**`DecisionTreeRegressor(...)`** — примесь = дисперсия.
+```python
+from claros import DecisionTreeClassifier
+clf = DecisionTreeClassifier(max_depth=5).fit(X, y)
+```
+
+### Ансамбли
+
+**`RandomForestClassifier(n_estimators=50, max_depth=10, max_features="sqrt", random_state=None)`** / **`RandomForestRegressor(...)`** — бэггинг деревьев.
+```python
+from claros import RandomForestClassifier
+clf = RandomForestClassifier(n_estimators=100).fit(X, y)
+```
+
+**`GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3)`** / **`GradientBoostingRegressor(...)`** — бустинг по остаткам.
+```python
+from claros import GradientBoostingRegressor
+m = GradientBoostingRegressor(n_estimators=200).fit(X, y)
+```
+
+### Ближайшие соседи
+
+**`KNeighborsClassifier(n_neighbors=5)`** / **`KNeighborsRegressor(n_neighbors=5)`** — k ближайших (векторный поиск, ×3 к прежнему).
+```python
+from claros import KNeighborsClassifier
+clf = KNeighborsClassifier(5).fit(X, y)
+```
+
+### Мультикласс
+
+**`OneVsRestClassifier(estimator)`** — мультикласс из любой бинарной модели.
+```python
+from claros import OneVsRestClassifier, LogisticRegression
+clf = OneVsRestClassifier(LogisticRegression()).fit(X, y)
+```
+
+### Кластеризация
+
+**`DBSCAN(eps=0.5, min_samples=5, clean_noise_features=0, feature_threshold=0.9)`** — плотностная кластеризация; метка `-1` — шум. `clean_noise_features=1` убирает шумовые признаки перед кластеризацией (наша доработка). Атрибуты: `labels_`, `remover_` (при включённом флаге).
+```python
+from claros import DBSCAN
+DBSCAN(eps=0.5, min_samples=5).fit_predict(X)                          # обычный DBSCAN
+DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)  # + чистка шумовых признаков
+```
+
+**`KMeans(n_clusters=3, max_iter=100, n_init=10, random_state=None, clean_noise_features=0, feature_threshold=0.9)`** — по центрам, `n_init` перезапусков. Атрибуты: `cluster_centers_`, `labels_`, `inertia_`.
+```python
+from claros import KMeans
+KMeans(n_clusters=3).fit_predict(X)
+```
+
+### Снижение размерности
+
+**`PCA(n_components=2)`** — главные компоненты через SVD. Методы: `transform`, `inverse_transform`; атрибут `explained_variance_ratio_`.
+```python
+from claros import PCA
+X2 = PCA(n_components=2).fit_transform(X)
+```
+
+### Функции потерь
+
+**`MSE()`**, **`LogLoss()`**, **`HingeLoss()`**, **`DeadZoneLoss(delta=1.0)`** — `DeadZoneLoss` робастная (плоское дно + насыщение градиента, устойчива к выбросам).
+```python
+from claros import LinearRegression, DeadZoneLoss
+LinearRegression(loss=DeadZoneLoss(0.5), lr=0.02, n_iters=40000).fit(X, y)
+```
+
+### Сжимающие функции
+
+**`Identity()`**, **`Sigmoid()`**, **`ArctanLink()`** — `ArctanLink` осторожнее сигмоиды (тяжёлые хвосты).
+```python
+from claros import LogisticRegression, ArctanLink
+LogisticRegression(link=ArctanLink()).fit(X, y)
+```
+
+### Предобработка и отбор признаков
+
+**`StandardScaler()`** — среднее 0, дисперсия 1.
+```python
+from claros import StandardScaler
+Xs = StandardScaler().fit_transform(X)
+```
+
+**`NoiseFeatureRemover(bins=20, threshold=0.9)`** — убирает признаки-шум (почти равномерная гистограмма). Атрибут `keep_mask_`.
+```python
+from claros import NoiseFeatureRemover
+Xc = NoiseFeatureRemover().fit_transform(X)
+```
+
+### Конвейер
+
+**`prep(model, scale=0, clean_noise_features=0, pca=0)`** — предобработка к любой модели без ручного Pipeline: масштабирование, чистка шумовых признаков, PCA (см. раздел выше).
+```python
+from claros import prep, KNeighborsClassifier
+prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1, pca=2).fit(X, y)
+```
+
+**`Pipeline(steps)`** — произвольная цепочка `[(имя, объект), …]`: трансформеры по очереди, затем модель.
+```python
+from claros import Pipeline, StandardScaler, LogisticRegression
+Pipeline([("scale", StandardScaler()), ("model", LogisticRegression())]).fit(X, y)
+```
+
+### Подбор и оценка
+
+**`train_test_split(X, y, test_size=0.25, random_state=None, shuffle=True)`** → `X_train, X_test, y_train, y_test`.
+```python
+from claros import train_test_split
+Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.3, random_state=0)
+```
+
+**`cross_val_score(model, X, y, cv=5, shuffle=True, random_state=None)`** → массив оценок.
+```python
+from claros import cross_val_score, RandomForestClassifier
+cross_val_score(RandomForestClassifier(), X, y, cv=5).mean()
+```
+
+**`GridSearchCV(estimator, param_grid, cv=5)`** — перебор по сетке. Атрибуты: `best_params_`, `best_score_`, `best_estimator_`.
+```python
+from claros import GridSearchCV, DecisionTreeClassifier
+gs = GridSearchCV(DecisionTreeClassifier(), {"max_depth": [3, 5, 7]}, cv=5).fit(X, y)
+gs.best_params_; gs.best_score_
+```
+
+### Метрики
+
+Модуль **`claros.metrics`**, все вида `f(y_true, y_pred)`: регрессия — `mse`, `rmse`, `mae`, `r2_score`; классификация — `accuracy`, `precision`, `recall`, `f1_score`.
+```python
+from claros.metrics import accuracy, r2_score
+accuracy(y_true, y_pred); r2_score(y_true, y_pred)
+```
+
+---
+
+## Валидация
+
+Сверено со scikit-learn на одинаковых данных:
+
+| Модель                              | claros  | sklearn |
+|-------------------------------------|-------|---------|
+| RandomForest — accuracy (круг)      | 0.972 | 0.972   |
+| KNN — accuracy (круг)               | 0.983 | 0.983   |
+| GradientBoosting — R^2 (sin)        | 0.991 | 0.991   |
+| LinearSVC — accuracy (две группы)   | 1.000 | 1.000   |
+| GaussianNB — accuracy (3 класса)    | 0.972 | 0.972   |
+
+Метки `GaussianNB` и `DBSCAN` совпадают со scikit-learn один-в-один, доли дисперсии `PCA` — до 4-го знака.
+
+## Структура и тесты
+
+```
+claros-project/
+├── pyproject.toml   README.md   LICENSE   PUBLISHING.md
+├── claros/            # base, losses, links, linear_model, svm, naive_bayes,
+│                    # tree, ensemble, neighbors, multiclass, decomposition,
+│                    # cluster, preprocessing, feature_selection, pipeline,
+│                    # model_selection, metrics
+└── tests/           # 32 теста
+```
+
+```bash
+pytest tests/ -q     # 32 passed
+```
+
+## Дорожная карта
+
+- [x] линейные модели, деревья, ансамбли, KNN, кластеризация, PCA
+- [x] SVM, наивный Байес, GridSearchCV, мультикласс
+- [x] удобство: флаг `clean_noise_features` и `prep(...)` — предобработка без Pipeline
+- [x] ускорение: KNN векторизован (×3); DBSCAN — поточечный поиск O(n²) (для масштаба нужен C-индекс)
+- [ ] публикация на PyPI — имя `claros` (инструкция в `PUBLISHING.md`)
+- [ ] оформить результаты в виде научной статьи
+
+## Лицензия
+
+MIT.

claros-0.7.0/README.md

@@ -0,0 +1,289 @@
+# Claros
+
+**Учебная ML-библиотека, написанная с нуля на чистом NumPy.** Sklearn-подобный интерфейс, никаких готовых ML-зависимостей — все алгоритмы реализованы руками.
+
+`Python ≥ 3.9` · `только NumPy` · `лицензия MIT` · `32 теста зелёных`
+
+---
+
+## Содержание
+
+- [Установка](#установка)
+- [Документация](#документация)
+- [Как устроено](#как-устроено)
+- [Удобство: предобработка без Pipeline](#удобство-предобработка-без-pipeline)
+- [Функции с примерами](#функции-с-примерами)
+- [Валидация](#валидация)
+- [Структура и тесты](#структура-и-тесты)
+- [Дорожная карта](#дорожная-карта)
+
+---
+
+## Установка
+
+```bash
+pip install -e .            # библиотека
+pip install -e ".[dev]"     # + pytest и scikit-learn для тестов
+```
+
+## Документация
+
+Полная документация — в папке [`docs/`](docs/index.md): по каждому классу параметры (тип, дефолт, смысл), методы, что возвращают, атрибуты, примеры, плюс гайд «как писать свои компоненты».
+
+- [**Полный справочник всех функций**](docs/reference.md) — всё одним списком
+- [Модели](docs/models.md) · [Кластеризация и PCA](docs/clustering.md) · [Потери и сжимающие функции](docs/losses-and-links.md)
+- [Предобработка и конвейеры](docs/preprocessing-and-pipelines.md) · [Оценка и подбор](docs/evaluation.md) · [Как писать свои компоненты](docs/extending.md)
+
+Можно собрать в сайт: `pip install mkdocs && mkdocs serve`.
+
+## Как устроено
+
+Все модели наследуют `Estimator` и говорят на одном языке: `fit(X, y)` обучает (возвращает `self`), `predict(X)` предсказывает, `score(X, y)` — R² (регрессоры) или доля верных (классификаторы), `get_params` / `set_params` дают клонирование. Обученные величины оканчиваются на `_` (`coef_`, `labels_`).
+
+Стержень дизайна — **потеря определяет модель**: весь шаг спуска это `g = loss.gradient(y, p) * link.derivative(z)`, поэтому линейная регрессия, логистическая регрессия и SVM — один движок с разной потерей и сжимающей функцией.
+
+---
+
+## Удобство: предобработка без Pipeline
+
+Чтобы не собирать `Pipeline` руками, предобработку можно подключить прямо к модели.
+
+**`prep(model, scale=1, clean_noise_features=1, pca=2)`** оборачивает **любую** модель и возвращает объект с обычным `fit`/`predict`/`score`/`fit_predict`. Опции: `scale=1` — масштабирование, `clean_noise_features=1` — убрать шумовые признаки, `pca=k` — сжать до k главных компонент (порядок: чистка → масштабирование → PCA → модель):
+
+```python
+from claros import prep, LogisticRegression, KNeighborsClassifier
+
+prep(LogisticRegression(), scale=1).fit(X, y)                     # + масштабирование
+prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1).fit(X, y)  # + чистка шумовых признаков
+prep(LogisticRegression(), pca=2).fit(X, y)                       # + сжатие до 2 главных компонент
+```
+
+Это все предобработчики библиотеки (`StandardScaler`, `NoiseFeatureRemover`, `PCA`) — больше ничего через Pipeline не идёт. Полноценный `Pipeline` остаётся для произвольных цепочек.
+
+У `DBSCAN` и `KMeans` есть встроенный флаг-сокращение `clean_noise_features` (1 — включить нашу чистку шумовых признаков, 0 — обычный режим):
+
+```python
+from claros import DBSCAN
+DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)
+```
+
+Полноценный `Pipeline` (см. ниже) тоже остаётся — для произвольных цепочек.
+
+---
+
+## Функции с примерами
+
+> В примерах `X` — матрица признаков `(n, d)`, `y` — цель, `X_new` — новые объекты.
+
+### Линейные модели
+
+**`LinearRegression(loss=MSE(), link=Identity(), lr=0.1, n_iters=300, l2=0.0)`** — линейная регрессия градиентным спуском. Атрибуты: `coef_`, `intercept_`.
+```python
+from claros import LinearRegression
+m = LinearRegression().fit(X, y)
+m.predict(X_new); m.score(X, y)
+```
+
+**`LogisticRegression(loss=LogLoss(), link=Sigmoid(), lr=0.1, n_iters=300, l2=0.0)`** — бинарная классификация.
+```python
+from claros import LogisticRegression
+clf = LogisticRegression().fit(X, y)
+clf.predict(X_new); clf.predict_proba(X_new)
+```
+
+### SVM
+
+**`LinearSVC(C=1.0, lr=0.01, n_iters=1000)`** — линейный SVM (тот же движок + `HingeLoss`). `C` — обратная сила регуляризации.
+```python
+from claros import LinearSVC
+clf = LinearSVC(C=1.0).fit(X, y)
+clf.predict(X_new); clf.decision_function(X_new)
+```
+
+### Наивный Байес
+
+**`GaussianNB(var_smoothing=1e-9)`** — гауссов наивный Байес, мультикласс. Есть `predict_proba`.
+```python
+from claros import GaussianNB
+clf = GaussianNB().fit(X, y)
+```
+
+### Деревья решений
+
+**`DecisionTreeClassifier(max_depth=5, min_samples_split=2, max_features=None, random_state=None)`** — примесь Gini.
+**`DecisionTreeRegressor(...)`** — примесь = дисперсия.
+```python
+from claros import DecisionTreeClassifier
+clf = DecisionTreeClassifier(max_depth=5).fit(X, y)
+```
+
+### Ансамбли
+
+**`RandomForestClassifier(n_estimators=50, max_depth=10, max_features="sqrt", random_state=None)`** / **`RandomForestRegressor(...)`** — бэггинг деревьев.
+```python
+from claros import RandomForestClassifier
+clf = RandomForestClassifier(n_estimators=100).fit(X, y)
+```
+
+**`GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3)`** / **`GradientBoostingRegressor(...)`** — бустинг по остаткам.
+```python
+from claros import GradientBoostingRegressor
+m = GradientBoostingRegressor(n_estimators=200).fit(X, y)
+```
+
+### Ближайшие соседи
+
+**`KNeighborsClassifier(n_neighbors=5)`** / **`KNeighborsRegressor(n_neighbors=5)`** — k ближайших (векторный поиск, ×3 к прежнему).
+```python
+from claros import KNeighborsClassifier
+clf = KNeighborsClassifier(5).fit(X, y)
+```
+
+### Мультикласс
+
+**`OneVsRestClassifier(estimator)`** — мультикласс из любой бинарной модели.
+```python
+from claros import OneVsRestClassifier, LogisticRegression
+clf = OneVsRestClassifier(LogisticRegression()).fit(X, y)
+```
+
+### Кластеризация
+
+**`DBSCAN(eps=0.5, min_samples=5, clean_noise_features=0, feature_threshold=0.9)`** — плотностная кластеризация; метка `-1` — шум. `clean_noise_features=1` убирает шумовые признаки перед кластеризацией (наша доработка). Атрибуты: `labels_`, `remover_` (при включённом флаге).
+```python
+from claros import DBSCAN
+DBSCAN(eps=0.5, min_samples=5).fit_predict(X)                          # обычный DBSCAN
+DBSCAN(eps=0.6, min_samples=6, clean_noise_features=1).fit_predict(X)  # + чистка шумовых признаков
+```
+
+**`KMeans(n_clusters=3, max_iter=100, n_init=10, random_state=None, clean_noise_features=0, feature_threshold=0.9)`** — по центрам, `n_init` перезапусков. Атрибуты: `cluster_centers_`, `labels_`, `inertia_`.
+```python
+from claros import KMeans
+KMeans(n_clusters=3).fit_predict(X)
+```
+
+### Снижение размерности
+
+**`PCA(n_components=2)`** — главные компоненты через SVD. Методы: `transform`, `inverse_transform`; атрибут `explained_variance_ratio_`.
+```python
+from claros import PCA
+X2 = PCA(n_components=2).fit_transform(X)
+```
+
+### Функции потерь
+
+**`MSE()`**, **`LogLoss()`**, **`HingeLoss()`**, **`DeadZoneLoss(delta=1.0)`** — `DeadZoneLoss` робастная (плоское дно + насыщение градиента, устойчива к выбросам).
+```python
+from claros import LinearRegression, DeadZoneLoss
+LinearRegression(loss=DeadZoneLoss(0.5), lr=0.02, n_iters=40000).fit(X, y)
+```
+
+### Сжимающие функции
+
+**`Identity()`**, **`Sigmoid()`**, **`ArctanLink()`** — `ArctanLink` осторожнее сигмоиды (тяжёлые хвосты).
+```python
+from claros import LogisticRegression, ArctanLink
+LogisticRegression(link=ArctanLink()).fit(X, y)
+```
+
+### Предобработка и отбор признаков
+
+**`StandardScaler()`** — среднее 0, дисперсия 1.
+```python
+from claros import StandardScaler
+Xs = StandardScaler().fit_transform(X)
+```
+
+**`NoiseFeatureRemover(bins=20, threshold=0.9)`** — убирает признаки-шум (почти равномерная гистограмма). Атрибут `keep_mask_`.
+```python
+from claros import NoiseFeatureRemover
+Xc = NoiseFeatureRemover().fit_transform(X)
+```
+
+### Конвейер
+
+**`prep(model, scale=0, clean_noise_features=0, pca=0)`** — предобработка к любой модели без ручного Pipeline: масштабирование, чистка шумовых признаков, PCA (см. раздел выше).
+```python
+from claros import prep, KNeighborsClassifier
+prep(KNeighborsClassifier(5), scale=1, clean_noise_features=1, pca=2).fit(X, y)
+```
+
+**`Pipeline(steps)`** — произвольная цепочка `[(имя, объект), …]`: трансформеры по очереди, затем модель.
+```python
+from claros import Pipeline, StandardScaler, LogisticRegression
+Pipeline([("scale", StandardScaler()), ("model", LogisticRegression())]).fit(X, y)
+```
+
+### Подбор и оценка
+
+**`train_test_split(X, y, test_size=0.25, random_state=None, shuffle=True)`** → `X_train, X_test, y_train, y_test`.
+```python
+from claros import train_test_split
+Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.3, random_state=0)
+```
+
+**`cross_val_score(model, X, y, cv=5, shuffle=True, random_state=None)`** → массив оценок.
+```python
+from claros import cross_val_score, RandomForestClassifier
+cross_val_score(RandomForestClassifier(), X, y, cv=5).mean()
+```
+
+**`GridSearchCV(estimator, param_grid, cv=5)`** — перебор по сетке. Атрибуты: `best_params_`, `best_score_`, `best_estimator_`.
+```python
+from claros import GridSearchCV, DecisionTreeClassifier
+gs = GridSearchCV(DecisionTreeClassifier(), {"max_depth": [3, 5, 7]}, cv=5).fit(X, y)
+gs.best_params_; gs.best_score_
+```
+
+### Метрики
+
+Модуль **`claros.metrics`**, все вида `f(y_true, y_pred)`: регрессия — `mse`, `rmse`, `mae`, `r2_score`; классификация — `accuracy`, `precision`, `recall`, `f1_score`.
+```python
+from claros.metrics import accuracy, r2_score
+accuracy(y_true, y_pred); r2_score(y_true, y_pred)
+```
+
+---
+
+## Валидация
+
+Сверено со scikit-learn на одинаковых данных:
+
+| Модель                              | claros  | sklearn |
+|-------------------------------------|-------|---------|
+| RandomForest — accuracy (круг)      | 0.972 | 0.972   |
+| KNN — accuracy (круг)               | 0.983 | 0.983   |
+| GradientBoosting — R^2 (sin)        | 0.991 | 0.991   |
+| LinearSVC — accuracy (две группы)   | 1.000 | 1.000   |
+| GaussianNB — accuracy (3 класса)    | 0.972 | 0.972   |
+
+Метки `GaussianNB` и `DBSCAN` совпадают со scikit-learn один-в-один, доли дисперсии `PCA` — до 4-го знака.
+
+## Структура и тесты
+
+```
+claros-project/
+├── pyproject.toml   README.md   LICENSE   PUBLISHING.md
+├── claros/            # base, losses, links, linear_model, svm, naive_bayes,
+│                    # tree, ensemble, neighbors, multiclass, decomposition,
+│                    # cluster, preprocessing, feature_selection, pipeline,
+│                    # model_selection, metrics
+└── tests/           # 32 теста
+```
+
+```bash
+pytest tests/ -q     # 32 passed
+```
+
+## Дорожная карта
+
+- [x] линейные модели, деревья, ансамбли, KNN, кластеризация, PCA
+- [x] SVM, наивный Байес, GridSearchCV, мультикласс
+- [x] удобство: флаг `clean_noise_features` и `prep(...)` — предобработка без Pipeline
+- [x] ускорение: KNN векторизован (×3); DBSCAN — поточечный поиск O(n²) (для масштаба нужен C-индекс)
+- [ ] публикация на PyPI — имя `claros` (инструкция в `PUBLISHING.md`)
+- [ ] оформить результаты в виде научной статьи
+
+## Лицензия
+
+MIT.