synaptix 0.2.0__tar.gz → 0.3.2__tar.gz

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
Files changed (89) hide show
  1. {synaptix-0.2.0 → synaptix-0.3.2}/PKG-INFO +145 -8
  2. {synaptix-0.2.0 → synaptix-0.3.2}/README.md +134 -7
  3. {synaptix-0.2.0 → synaptix-0.3.2}/pyproject.toml +6 -1
  4. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/__init__.py +5 -1
  5. synaptix-0.3.2/synaptix/automl/__init__.py +43 -0
  6. synaptix-0.3.2/synaptix/automl/budget.py +31 -0
  7. synaptix-0.3.2/synaptix/automl/config.py +29 -0
  8. synaptix-0.3.2/synaptix/automl/data/__init__.py +29 -0
  9. synaptix-0.3.2/synaptix/automl/data/adapters.py +301 -0
  10. synaptix-0.3.2/synaptix/automl/data/detection.py +161 -0
  11. synaptix-0.3.2/synaptix/automl/data/intelligence.py +382 -0
  12. synaptix-0.3.2/synaptix/automl/data_quality.py +860 -0
  13. synaptix-0.3.2/synaptix/automl/ensemble.py +210 -0
  14. synaptix-0.3.2/synaptix/automl/evaluation/__init__.py +31 -0
  15. synaptix-0.3.2/synaptix/automl/evaluation/cross_validation.py +203 -0
  16. synaptix-0.3.2/synaptix/automl/evaluation/metrics.py +247 -0
  17. synaptix-0.3.2/synaptix/automl/exceptions.py +36 -0
  18. synaptix-0.3.2/synaptix/automl/experiments.py +168 -0
  19. synaptix-0.3.2/synaptix/automl/explain.py +181 -0
  20. synaptix-0.3.2/synaptix/automl/feature_engineering.py +421 -0
  21. synaptix-0.3.2/synaptix/automl/features.py +322 -0
  22. synaptix-0.3.2/synaptix/automl/parallel.py +50 -0
  23. synaptix-0.3.2/synaptix/automl/pipeline.py +1699 -0
  24. synaptix-0.3.2/synaptix/automl/profiling.py +99 -0
  25. synaptix-0.3.2/synaptix/automl/reporting.py +434 -0
  26. synaptix-0.3.2/synaptix/automl/selection/__init__.py +38 -0
  27. synaptix-0.3.2/synaptix/automl/selection/feature_subset_search.py +545 -0
  28. synaptix-0.3.2/synaptix/automl/selection/ranking.py +246 -0
  29. synaptix-0.3.2/synaptix/automl/selection/registry.py +256 -0
  30. synaptix-0.3.2/synaptix/automl/tuning/__init__.py +15 -0
  31. synaptix-0.3.2/synaptix/automl/tuning/search.py +304 -0
  32. synaptix-0.3.2/synaptix/automl/tuning/spaces.py +113 -0
  33. synaptix-0.3.2/synaptix/pipeline/auto.py +12 -0
  34. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/pipeline/declarative.py +103 -60
  35. synaptix-0.3.2/synaptix/pipeline/grids.py +35 -0
  36. synaptix-0.3.2/synaptix/preprocessing/_dtypes.py +15 -0
  37. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/preprocessing/cleaner.py +3 -2
  38. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/preprocessing/transformers.py +3 -2
  39. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/supervised/__init__.py +15 -4
  40. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/supervised/classification.py +57 -0
  41. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/supervised/regression.py +70 -0
  42. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/visualization/eda.py +4 -2
  43. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix.egg-info/PKG-INFO +145 -8
  44. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix.egg-info/SOURCES.txt +29 -0
  45. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix.egg-info/requires.txt +12 -0
  46. {synaptix-0.2.0 → synaptix-0.3.2}/tests/test_smoke.py +7 -2
  47. synaptix-0.2.0/synaptix/pipeline/auto.py +0 -318
  48. synaptix-0.2.0/synaptix/pipeline/grids.py +0 -102
  49. {synaptix-0.2.0 → synaptix-0.3.2}/setup.cfg +0 -0
  50. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/base.py +0 -0
  51. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/__init__.py +0 -0
  52. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/course_completion.csv +0 -0
  53. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/iris.csv +0 -0
  54. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/penguins.csv +0 -0
  55. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/sp500_companies.csv +0 -0
  56. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/datasets/titanic.csv +0 -0
  57. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/legacy/__init__.py +0 -0
  58. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/legacy/deepLearning.py +0 -0
  59. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/legacy/intelligenceartificial.py +0 -0
  60. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/legacy/machineLearning.py +0 -0
  61. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/legacy/naturalLanguageProcessing.py +0 -0
  62. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/metrics/__init__.py +0 -0
  63. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/model_selection/__init__.py +0 -0
  64. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/neural/__init__.py +0 -0
  65. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/neural/networks.py +0 -0
  66. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/pipeline/__init__.py +0 -0
  67. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/preprocessing/__init__.py +0 -0
  68. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/preprocessing/outliers.py +0 -0
  69. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/py.typed +0 -0
  70. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/reinforcement/__init__.py +0 -0
  71. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/reinforcement/agents.py +0 -0
  72. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/reinforcement/environments.py +0 -0
  73. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/results.py +0 -0
  74. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/supervised/bayesian.py +0 -0
  75. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/unsupervised/__init__.py +0 -0
  76. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/unsupervised/clustering.py +0 -0
  77. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/unsupervised/decomposition.py +0 -0
  78. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viewx/__init__.py +0 -0
  79. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viewx/_availability.py +0 -0
  80. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viewx/adapters.py +0 -0
  81. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viewx/export.py +0 -0
  82. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viewx/renderers.py +0 -0
  83. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/visualization/__init__.py +0 -0
  84. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/visualization/model_plots.py +0 -0
  85. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viz/__init__.py +0 -0
  86. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix/viz/figures.py +0 -0
  87. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix.egg-info/dependency_links.txt +0 -0
  88. {synaptix-0.2.0 → synaptix-0.3.2}/synaptix.egg-info/top_level.txt +0 -0
  89. {synaptix-0.2.0 → synaptix-0.3.2}/tests/test_integration_bridge.py +0 -0
@@ -1,6 +1,6 @@
1
1
  Metadata-Version: 2.4
2
2
  Name: synaptix
3
- Version: 0.2.0
3
+ Version: 0.3.2
4
4
  Summary: Librería integral de Machine Learning para Python: supervisado, no supervisado, refuerzo, redes neuronales y preprocesamiento.
5
5
  Author-email: Emmanuel Ascendra Perez <ascendraemmanuel@gmail.com>
6
6
  License: MIT
@@ -41,7 +41,17 @@ Requires-Dist: statslibx>=0.4.0; extra == "stats"
41
41
  Provides-Extra: polars
42
42
  Requires-Dist: polars>=0.20.0; extra == "polars"
43
43
  Requires-Dist: pyarrow>=10.0.0; extra == "polars"
44
+ Provides-Extra: automl
45
+ Requires-Dist: polars>=0.20.0; extra == "automl"
46
+ Requires-Dist: pyarrow>=10.0.0; extra == "automl"
47
+ Requires-Dist: optuna>=3.0.0; extra == "automl"
48
+ Requires-Dist: psutil>=5.8.0; extra == "automl"
49
+ Provides-Extra: explain
50
+ Requires-Dist: shap>=0.42.0; extra == "explain"
44
51
  Provides-Extra: all
52
+ Requires-Dist: optuna>=3.0.0; extra == "all"
53
+ Requires-Dist: psutil>=5.8.0; extra == "all"
54
+ Requires-Dist: shap>=0.42.0; extra == "all"
45
55
  Requires-Dist: tensorflow>=2.12.0; extra == "all"
46
56
  Requires-Dist: pymc>=5.0.0; extra == "all"
47
57
  Requires-Dist: nltk>=3.6.0; extra == "all"
@@ -65,6 +75,8 @@ pip install synaptix[bayes] # + pymc (inferencia bayesiana completa)
65
75
  pip install synaptix[viewx] # + ViewX (dashboards HTML, PDF, presentaciones)
66
76
  pip install synaptix[stats] # + StatsLibX (diagnóstico estadístico de modelos)
67
77
  pip install synaptix[polars] # + polars (DataFrames polars como entrada)
78
+ pip install synaptix[automl] # + polars, pyarrow, optuna, psutil (AutoML avanzado)
79
+ pip install synaptix[explain] # + shap
68
80
  pip install synaptix[all] # todo
69
81
  ```
70
82
 
@@ -94,6 +106,26 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
94
106
 
95
107
  `fit_evaluate(..., test_size=..., metrics=[...])` existe en todos los modelos: supervisados, clustering, PCA, redes neuronales (split temporal en `LSTMNet`) y agentes de refuerzo (donde `test_size` es la fracción de episodios de evaluación).
96
108
 
109
+ ## Novedades en v0.3.1 — Feature Engineering, Calidad de Datos y Explicabilidad
110
+
111
+ - **Variables derivadas** (`associations`) evaluadas con un AST seguro (sin `eval()`): aritmética, `log`, `sqrt`, `exp`, `abs`, potencias y `where`. Las correcciones que estiman parámetros se ajustan **solo con las filas de entrenamiento** y se aplican después a train y test.
112
+ - **`fe_handle_div_zero`** corregido: `nan`, `inf`, `zero` y `error` funcionan ahora igual en `fit` y en `predict`.
113
+ - **`AutoPipeline.explain(df=None)`**: importancias (permutación en test, nativas y coeficientes), diagnósticos de error, calibración (Brier + curva de fiabilidad en binario) y SHAP local opcional. No reentrena nada.
114
+ - **`selected_features_`, `removed_features_`, `feature_selection_info_`** y **`feature_importance_` / `feature_importance_source_`** para auditar la selección de variables del modelo final.
115
+ - **`warning_report=True`** añade la sección `13_calidad_datos` a `report_dict()`; **`data_quality_report_`** con resumen estructurado de problemas detectados.
116
+ - Corrección metodológica: `warning_strategy` ya no analiza ni imputa con el dataset completo antes del holdout.
117
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
118
+
119
+ ## Novedades en v0.3.0 — AutoML Engine 2.0
120
+
121
+ - `AutoPipeline` reescrito sobre el nuevo subpaquete `synaptix.automl`, **sin fuga de datos**: el test se separa sobre los datos crudos y el preprocesamiento se reajusta en cada fold (la versión anterior ajustaba la limpieza con todo el dataset).
122
+ - Validación por estructura de datos (estratificada, repetida, por grupos/espacial, temporal o un splitter propio), métrica principal y secundarias, ranking con estado y errores, y búsqueda `grid` / `random` / `halving` / `optuna`.
123
+ - Ensembles (voting, stacking, blending) que solo se eligen si mejoran la validación, explicabilidad (permutación, SHAP opcional, diagnósticos), registro reproducible de experimentos y reporte HTML/JSON.
124
+ - Entradas pandas, polars (`DataFrame` y `LazyFrame`), NumPy y archivos; `engine="auto"` calibrado con benchmarks reproducibles en `benchmarks/`.
125
+ - Benchmark frente a scikit-learn y FLAML (5 escenarios, 3 semillas, mismo split): SynaptIX iguala la calidad de un random search de scikit-learn y de FLAML con el mismo presupuesto de tiempo (diferencias dentro de la variación entre semillas), con más tiempo y memoria que un modelo único por defecto. Tablas en [`benchmarks/results/README.md`](benchmarks/results/README.md) y conclusiones en la sección 12 de la guía.
126
+ - El notebook [`how_use_synaptix.ipynb`](how_use_synaptix.ipynb) compara cada modelo con su equivalente de scikit-learn (código, defaults, predicciones, métricas y tiempos).
127
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
128
+
97
129
  ## Novedades en v0.2.0
98
130
 
99
131
  - `fit_evaluate(...)` en todos los modelos: divide, entrena y devuelve un `TrainTestResult` con métricas de train y test.
@@ -104,9 +136,10 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
104
136
 
105
137
  | Módulo | Contenido |
106
138
  |---|---|
107
- | `synaptix.pipeline` | `AutoPipeline` (ML automático de principio a fin) y `Pipeline` declarativo por pasos |
139
+ | `synaptix.automl` | Motor AutoML 2.0: `AutoPipeline`, perfilado de datos, detección de tarea, validación, tuning, ensembles, explicabilidad y experimentos |
140
+ | `synaptix.pipeline` | `AutoPipeline` (fachada de `synaptix.automl`) y `Pipeline` declarativo por pasos |
108
141
  | `synaptix.preprocessing` | `Scaler`, `Encoder`, `Imputer`, `DataCleaner` (con `transform` para datos nuevos), `detect_outliers`, `remove_outliers`, `train_test_split` |
109
- | `synaptix.supervised` | 8 regresores, 7 clasificadores y 9 modelos bayesianos (BayesianRidge, ARD, procesos gaussianos, variantes de Naive Bayes, PyMC) |
142
+ | `synaptix.supervised` | 11 regresores, 9 clasificadores y 9 modelos bayesianos (BayesianRidge, ARD, procesos gaussianos, variantes de Naive Bayes, PyMC) |
110
143
  | `synaptix.unsupervised` | `KMeans` (con codo y silhouette), `DBSCAN`, `HierarchicalClustering`, `GaussianMixture`, `PCA`, `TSNE` |
111
144
  | `synaptix.reinforcement` | `QLearningAgent`, `SARSAAgent`, `DQNAgent`, entorno `GridWorld` |
112
145
  | `synaptix.neural` | `MLP`, `CNN`, `LSTMNet` sobre Keras (requiere `synaptix[dl]`) |
@@ -128,14 +161,87 @@ import synaptix as sx
128
161
  df = sx.load_dataset("penguins")
129
162
 
130
163
  pipe = sx.AutoPipeline() # el sistema se encarga de los parámetros
131
- pipe.fit(df, target="species") # limpia, compara 7 modelos, ajusta y evalúa
132
- pipe.report() # ranking + métricas + matriz de confusión
164
+ pipe.fit(df, target="species") # perfila, separa test, compara 9 modelos sin fuga, ajusta y evalúa
165
+ pipe.report() # 12 secciones: datos, ranking, validación, test, importancias...
133
166
 
134
- predicciones = pipe.predict(df_nuevo) # acepta datos crudos (con nulos)
167
+ predicciones = pipe.predict(df_nuevo) # acepta datos crudos (con nulos y categorías nuevas)
135
168
  pipe.save("mi_pipeline.pkl")
136
169
  ```
137
170
 
138
- Todo es configurable: `AutoPipeline(models=["random_forest", "svm"], cv=10, tune=False, scale_method="robust", param_grids={"random_forest": {"n_estimators": [300]}})`.
171
+ Todo es configurable:
172
+
173
+ ```python
174
+ pipe = sx.AutoPipeline(
175
+ models=["random_forest", "logistic_regression", "svm"],
176
+ scoring="f1_weighted", # métrica principal (+ secundarias en el ranking)
177
+ cv=5, cv_strategy="stratified", # o "group", "timeseries", "repeated", un splitter propio...
178
+ tuning="random", n_iter=30, # o "grid", "halving", "bayesian" (Optuna)
179
+ ensemble="stacking", # solo se elige si mejora la validación cruzada
180
+ time_budget=300, n_jobs=-1, random_state=42,
181
+ )
182
+ pipe.fit(df, target="species", groups=None, time_column=None)
183
+ pipe.ranking_, pipe.best_params_, pipe.results_, pipe.feature_importances_
184
+ pipe.report(save="automl_report.html") # o .json
185
+ pipe.experiment_.to_json("experimento.json")
186
+ ```
187
+
188
+ Guía completa (arquitectura, garantías metodológicas, motores de datos y benchmarks): [`docs/AUTOML.md`](docs/AUTOML.md).
189
+
190
+ ### Feature Subset Search: Búsqueda sistemática de subconjuntos de variables por modelo
191
+
192
+ `AutoPipeline` permite evaluar y optimizar sistemáticamente combinaciones de variables de forma independiente para cada algoritmo candidato:
193
+
194
+ ```python
195
+ import synaptix as sx
196
+
197
+ pipe = sx.AutoPipeline(
198
+ mode="balanced",
199
+ feature_search="exhaustive", # "exhaustive", "random", "forward", "backward" o "auto"
200
+ feature_search_min_features=1, # tamaño mínimo de subconjunto
201
+ feature_search_max_features=5, # tamaño máximo (o None para todas)
202
+ feature_search_strategy="auto",
203
+ cv=5,
204
+ scoring="auto",
205
+ n_jobs=-1,
206
+ random_state=42,
207
+ )
208
+
209
+ pipe.fit(df, target="target")
210
+
211
+ print("Mejor modelo:", pipe.best_name_)
212
+ print("Mejor subconjunto:", pipe.best_features_)
213
+ print("Mejor puntuación CV:", pipe.best_score_)
214
+
215
+ # Consultar rankings y resultados completos
216
+ print(pipe.feature_search_ranking_.head(10))
217
+ print(pipe.feature_search_summary_)
218
+
219
+ # En inferencia, solo requiere las columnas ganadoras (compatible con pandas y polars)
220
+ predicciones = pipe.predict(df_nuevo)
221
+ ```
222
+
223
+ ### Acceso a los datos usados en el entrenamiento
224
+
225
+ `AutoPipeline` expone los datos exactos del `fit` con sus índices originales,
226
+ incluidas las variables derivadas y las correcciones de `warning_strategy`,
227
+ pero sin las matrices one-hot, escaladas o imputadas del preprocesador:
228
+
229
+ ```python
230
+ pipe = sx.AutoPipeline().fit(df, target="target")
231
+
232
+ data_train, data_test = pipe.data_ # features + target
233
+ best_train, best_test = pipe.best_data_ # solo best_features_ + target
234
+ data_train, data_test = pipe.data # alias de data_
235
+
236
+ pipe.X_train_, pipe.X_test_ # features
237
+ pipe.y_train_, pipe.y_test_ # target alineado
238
+ pipe.data_train_, pipe.data_test_ # DataFrames completos
239
+ pipe.best_data_train_, pipe.best_data_test_ # subconjunto ganador + target
240
+ ```
241
+
242
+ Si `test_size=None`, `data_test_` y `best_data_test_` son DataFrames vacíos
243
+ con las columnas correspondientes. `data_`/`best_data_` requieren haber
244
+ llamado a `fit`.
139
245
 
140
246
  También hay un `Pipeline` declarativo por pasos, donde el sistema rellena los parámetros de cada paso:
141
247
 
@@ -154,7 +260,33 @@ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, par
154
260
  pipe.predict(df_nuevo)
155
261
  ```
156
262
 
157
- Atributos de `AutoPipeline` tras `fit`: `task_`, `cleaner_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `results_`; métodos `predict`, `predict_proba`, `report(plot=True)`, `save(path)` y `AutoPipeline.load(path)`.
263
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_` (permutación en el holdout), `feature_importance_` (importancia preferida: permutación si existe, si no la nativa), `feature_importance_source_`, `selected_features_`, `removed_features_`, `feature_selection_info_`, `diagnostics_`, `data_quality_report_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain(df=None)`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
264
+
265
+ ### Variables derivadas y calidad de datos
266
+
267
+ ```python
268
+ pipe = sx.AutoPipeline(
269
+ associations={
270
+ "balance": "ingresos - gastos",
271
+ "ratio_gastos": "gastos / ingresos",
272
+ "edad_cuadratica": "edad ** 2",
273
+ },
274
+ fe_handle_div_zero="nan", # "nan" | "inf" | "zero" | "error"
275
+ warning_strategy="safe", # "none" (solo diagnostica) | "safe" | "aggressive"
276
+ warning_report=True, # añade `13_calidad_datos` a report_dict()
277
+ )
278
+ pipe.fit(df, target="resultado") # usa solo filas originales
279
+ pipe.predict(df_nuevo) # reconstruye las derivadas automáticamente
280
+ pipe.selected_features_ # columnas que recibe el modelo (one-hot incluido)
281
+ pipe.removed_features_ # columnas descartadas y por qué (feature_selection_info_)
282
+ pipe.explain() # importancias, diagnósticos y calibración
283
+ pipe.data_quality_report_.to_dict()
284
+ ```
285
+
286
+ Las expresiones se evalúan sobre un AST (sin `eval()`) y admiten aritmética,
287
+ `log`, `sqrt`, `exp`, `abs`, potencias y `where`. La imputación y demás
288
+ correcciones que estiman parámetros se ajustan **solo con las filas de
289
+ entrenamiento**; el conjunto de prueba nunca interviene.
158
290
 
159
291
  ### Modelos bayesianos (con incertidumbre)
160
292
 
@@ -378,8 +510,13 @@ df_pl = sx.load_dataset("iris", backend="polars") # requiere synaptix[polars]
378
510
  model.fit(df_pl.drop("species"), df_pl["species"])
379
511
 
380
512
  X, y = sx.load_dataset("iris", return_X_y=True) # misma firma que statslibx/viewx
513
+
514
+ # AutoPipeline acepta polars DataFrame/LazyFrame (lectura diferida con proyección de columnas)
515
+ sx.AutoPipeline(engine="polars").fit(df_pl.lazy(), target="species")
381
516
  ```
382
517
 
518
+ Con `engine="auto"` polars se usa solo donde los benchmarks muestran ganancia (perfilado de datos de ≥ 1 millón de celdas); el entrenamiento siempre usa scikit-learn sobre pandas/NumPy. Ver la sección 9 de [`docs/AUTOML.md`](docs/AUTOML.md).
519
+
383
520
  ## API legacy (v0.x)
384
521
 
385
522
  Las clases de la versión 0.x siguen disponibles: `IntelligenceArtificial` (agentes, búsqueda, algoritmos genéticos, chatbots), `MachineLearning` y `NaturalLanguageProcessing`. La API key de OpenRouter ahora se lee de la variable de entorno `OPENROUTER_API_KEY`.
@@ -11,6 +11,8 @@ pip install synaptix[bayes] # + pymc (inferencia bayesiana completa)
11
11
  pip install synaptix[viewx] # + ViewX (dashboards HTML, PDF, presentaciones)
12
12
  pip install synaptix[stats] # + StatsLibX (diagnóstico estadístico de modelos)
13
13
  pip install synaptix[polars] # + polars (DataFrames polars como entrada)
14
+ pip install synaptix[automl] # + polars, pyarrow, optuna, psutil (AutoML avanzado)
15
+ pip install synaptix[explain] # + shap
14
16
  pip install synaptix[all] # todo
15
17
  ```
16
18
 
@@ -40,6 +42,26 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
40
42
 
41
43
  `fit_evaluate(..., test_size=..., metrics=[...])` existe en todos los modelos: supervisados, clustering, PCA, redes neuronales (split temporal en `LSTMNet`) y agentes de refuerzo (donde `test_size` es la fracción de episodios de evaluación).
42
44
 
45
+ ## Novedades en v0.3.1 — Feature Engineering, Calidad de Datos y Explicabilidad
46
+
47
+ - **Variables derivadas** (`associations`) evaluadas con un AST seguro (sin `eval()`): aritmética, `log`, `sqrt`, `exp`, `abs`, potencias y `where`. Las correcciones que estiman parámetros se ajustan **solo con las filas de entrenamiento** y se aplican después a train y test.
48
+ - **`fe_handle_div_zero`** corregido: `nan`, `inf`, `zero` y `error` funcionan ahora igual en `fit` y en `predict`.
49
+ - **`AutoPipeline.explain(df=None)`**: importancias (permutación en test, nativas y coeficientes), diagnósticos de error, calibración (Brier + curva de fiabilidad en binario) y SHAP local opcional. No reentrena nada.
50
+ - **`selected_features_`, `removed_features_`, `feature_selection_info_`** y **`feature_importance_` / `feature_importance_source_`** para auditar la selección de variables del modelo final.
51
+ - **`warning_report=True`** añade la sección `13_calidad_datos` a `report_dict()`; **`data_quality_report_`** con resumen estructurado de problemas detectados.
52
+ - Corrección metodológica: `warning_strategy` ya no analiza ni imputa con el dataset completo antes del holdout.
53
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
54
+
55
+ ## Novedades en v0.3.0 — AutoML Engine 2.0
56
+
57
+ - `AutoPipeline` reescrito sobre el nuevo subpaquete `synaptix.automl`, **sin fuga de datos**: el test se separa sobre los datos crudos y el preprocesamiento se reajusta en cada fold (la versión anterior ajustaba la limpieza con todo el dataset).
58
+ - Validación por estructura de datos (estratificada, repetida, por grupos/espacial, temporal o un splitter propio), métrica principal y secundarias, ranking con estado y errores, y búsqueda `grid` / `random` / `halving` / `optuna`.
59
+ - Ensembles (voting, stacking, blending) que solo se eligen si mejoran la validación, explicabilidad (permutación, SHAP opcional, diagnósticos), registro reproducible de experimentos y reporte HTML/JSON.
60
+ - Entradas pandas, polars (`DataFrame` y `LazyFrame`), NumPy y archivos; `engine="auto"` calibrado con benchmarks reproducibles en `benchmarks/`.
61
+ - Benchmark frente a scikit-learn y FLAML (5 escenarios, 3 semillas, mismo split): SynaptIX iguala la calidad de un random search de scikit-learn y de FLAML con el mismo presupuesto de tiempo (diferencias dentro de la variación entre semillas), con más tiempo y memoria que un modelo único por defecto. Tablas en [`benchmarks/results/README.md`](benchmarks/results/README.md) y conclusiones en la sección 12 de la guía.
62
+ - El notebook [`how_use_synaptix.ipynb`](how_use_synaptix.ipynb) compara cada modelo con su equivalente de scikit-learn (código, defaults, predicciones, métricas y tiempos).
63
+ - Guía: [`docs/AUTOML.md`](docs/AUTOML.md) · Cambios: [`CHANGELOG.md`](CHANGELOG.md).
64
+
43
65
  ## Novedades en v0.2.0
44
66
 
45
67
  - `fit_evaluate(...)` en todos los modelos: divide, entrena y devuelve un `TrainTestResult` con métricas de train y test.
@@ -50,9 +72,10 @@ print(resultado.to_frame()) # métrica | train | test | diferenci
50
72
 
51
73
  | Módulo | Contenido |
52
74
  |---|---|
53
- | `synaptix.pipeline` | `AutoPipeline` (ML automático de principio a fin) y `Pipeline` declarativo por pasos |
75
+ | `synaptix.automl` | Motor AutoML 2.0: `AutoPipeline`, perfilado de datos, detección de tarea, validación, tuning, ensembles, explicabilidad y experimentos |
76
+ | `synaptix.pipeline` | `AutoPipeline` (fachada de `synaptix.automl`) y `Pipeline` declarativo por pasos |
54
77
  | `synaptix.preprocessing` | `Scaler`, `Encoder`, `Imputer`, `DataCleaner` (con `transform` para datos nuevos), `detect_outliers`, `remove_outliers`, `train_test_split` |
55
- | `synaptix.supervised` | 8 regresores, 7 clasificadores y 9 modelos bayesianos (BayesianRidge, ARD, procesos gaussianos, variantes de Naive Bayes, PyMC) |
78
+ | `synaptix.supervised` | 11 regresores, 9 clasificadores y 9 modelos bayesianos (BayesianRidge, ARD, procesos gaussianos, variantes de Naive Bayes, PyMC) |
56
79
  | `synaptix.unsupervised` | `KMeans` (con codo y silhouette), `DBSCAN`, `HierarchicalClustering`, `GaussianMixture`, `PCA`, `TSNE` |
57
80
  | `synaptix.reinforcement` | `QLearningAgent`, `SARSAAgent`, `DQNAgent`, entorno `GridWorld` |
58
81
  | `synaptix.neural` | `MLP`, `CNN`, `LSTMNet` sobre Keras (requiere `synaptix[dl]`) |
@@ -74,14 +97,87 @@ import synaptix as sx
74
97
  df = sx.load_dataset("penguins")
75
98
 
76
99
  pipe = sx.AutoPipeline() # el sistema se encarga de los parámetros
77
- pipe.fit(df, target="species") # limpia, compara 7 modelos, ajusta y evalúa
78
- pipe.report() # ranking + métricas + matriz de confusión
100
+ pipe.fit(df, target="species") # perfila, separa test, compara 9 modelos sin fuga, ajusta y evalúa
101
+ pipe.report() # 12 secciones: datos, ranking, validación, test, importancias...
79
102
 
80
- predicciones = pipe.predict(df_nuevo) # acepta datos crudos (con nulos)
103
+ predicciones = pipe.predict(df_nuevo) # acepta datos crudos (con nulos y categorías nuevas)
81
104
  pipe.save("mi_pipeline.pkl")
82
105
  ```
83
106
 
84
- Todo es configurable: `AutoPipeline(models=["random_forest", "svm"], cv=10, tune=False, scale_method="robust", param_grids={"random_forest": {"n_estimators": [300]}})`.
107
+ Todo es configurable:
108
+
109
+ ```python
110
+ pipe = sx.AutoPipeline(
111
+ models=["random_forest", "logistic_regression", "svm"],
112
+ scoring="f1_weighted", # métrica principal (+ secundarias en el ranking)
113
+ cv=5, cv_strategy="stratified", # o "group", "timeseries", "repeated", un splitter propio...
114
+ tuning="random", n_iter=30, # o "grid", "halving", "bayesian" (Optuna)
115
+ ensemble="stacking", # solo se elige si mejora la validación cruzada
116
+ time_budget=300, n_jobs=-1, random_state=42,
117
+ )
118
+ pipe.fit(df, target="species", groups=None, time_column=None)
119
+ pipe.ranking_, pipe.best_params_, pipe.results_, pipe.feature_importances_
120
+ pipe.report(save="automl_report.html") # o .json
121
+ pipe.experiment_.to_json("experimento.json")
122
+ ```
123
+
124
+ Guía completa (arquitectura, garantías metodológicas, motores de datos y benchmarks): [`docs/AUTOML.md`](docs/AUTOML.md).
125
+
126
+ ### Feature Subset Search: Búsqueda sistemática de subconjuntos de variables por modelo
127
+
128
+ `AutoPipeline` permite evaluar y optimizar sistemáticamente combinaciones de variables de forma independiente para cada algoritmo candidato:
129
+
130
+ ```python
131
+ import synaptix as sx
132
+
133
+ pipe = sx.AutoPipeline(
134
+ mode="balanced",
135
+ feature_search="exhaustive", # "exhaustive", "random", "forward", "backward" o "auto"
136
+ feature_search_min_features=1, # tamaño mínimo de subconjunto
137
+ feature_search_max_features=5, # tamaño máximo (o None para todas)
138
+ feature_search_strategy="auto",
139
+ cv=5,
140
+ scoring="auto",
141
+ n_jobs=-1,
142
+ random_state=42,
143
+ )
144
+
145
+ pipe.fit(df, target="target")
146
+
147
+ print("Mejor modelo:", pipe.best_name_)
148
+ print("Mejor subconjunto:", pipe.best_features_)
149
+ print("Mejor puntuación CV:", pipe.best_score_)
150
+
151
+ # Consultar rankings y resultados completos
152
+ print(pipe.feature_search_ranking_.head(10))
153
+ print(pipe.feature_search_summary_)
154
+
155
+ # En inferencia, solo requiere las columnas ganadoras (compatible con pandas y polars)
156
+ predicciones = pipe.predict(df_nuevo)
157
+ ```
158
+
159
+ ### Acceso a los datos usados en el entrenamiento
160
+
161
+ `AutoPipeline` expone los datos exactos del `fit` con sus índices originales,
162
+ incluidas las variables derivadas y las correcciones de `warning_strategy`,
163
+ pero sin las matrices one-hot, escaladas o imputadas del preprocesador:
164
+
165
+ ```python
166
+ pipe = sx.AutoPipeline().fit(df, target="target")
167
+
168
+ data_train, data_test = pipe.data_ # features + target
169
+ best_train, best_test = pipe.best_data_ # solo best_features_ + target
170
+ data_train, data_test = pipe.data # alias de data_
171
+
172
+ pipe.X_train_, pipe.X_test_ # features
173
+ pipe.y_train_, pipe.y_test_ # target alineado
174
+ pipe.data_train_, pipe.data_test_ # DataFrames completos
175
+ pipe.best_data_train_, pipe.best_data_test_ # subconjunto ganador + target
176
+ ```
177
+
178
+ Si `test_size=None`, `data_test_` y `best_data_test_` son DataFrames vacíos
179
+ con las columnas correspondientes. `data_`/`best_data_` requieren haber
180
+ llamado a `fit`.
85
181
 
86
182
  También hay un `Pipeline` declarativo por pasos, donde el sistema rellena los parámetros de cada paso:
87
183
 
@@ -100,7 +196,33 @@ pipe.model_, pipe.results_, pipe.best_params_ # modelo, métricas de test, par
100
196
  pipe.predict(df_nuevo)
101
197
  ```
102
198
 
103
- Atributos de `AutoPipeline` tras `fit`: `task_`, `cleaner_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `results_`; métodos `predict`, `predict_proba`, `report(plot=True)`, `save(path)` y `AutoPipeline.load(path)`.
199
+ Atributos de `AutoPipeline` tras `fit`: `task_`, `profile_`, `ranking_`, `best_model_`, `best_name_`, `best_params_`, `pipeline_`, `cv_score_`, `results_`, `feature_importances_` (permutación en el holdout), `feature_importance_` (importancia preferida: permutación si existe, si no la nativa), `feature_importance_source_`, `selected_features_`, `removed_features_`, `feature_selection_info_`, `diagnostics_`, `data_quality_report_`, `timings_`, `experiment_`, `warnings_` y `cleaner_` (compatibilidad); métodos `predict`, `predict_proba`, `report(plot=True, save=None)`, `report_dict()`, `explain(df=None)`, `explain_shap(df)`, `save(path)` y `AutoPipeline.load(path)`.
200
+
201
+ ### Variables derivadas y calidad de datos
202
+
203
+ ```python
204
+ pipe = sx.AutoPipeline(
205
+ associations={
206
+ "balance": "ingresos - gastos",
207
+ "ratio_gastos": "gastos / ingresos",
208
+ "edad_cuadratica": "edad ** 2",
209
+ },
210
+ fe_handle_div_zero="nan", # "nan" | "inf" | "zero" | "error"
211
+ warning_strategy="safe", # "none" (solo diagnostica) | "safe" | "aggressive"
212
+ warning_report=True, # añade `13_calidad_datos` a report_dict()
213
+ )
214
+ pipe.fit(df, target="resultado") # usa solo filas originales
215
+ pipe.predict(df_nuevo) # reconstruye las derivadas automáticamente
216
+ pipe.selected_features_ # columnas que recibe el modelo (one-hot incluido)
217
+ pipe.removed_features_ # columnas descartadas y por qué (feature_selection_info_)
218
+ pipe.explain() # importancias, diagnósticos y calibración
219
+ pipe.data_quality_report_.to_dict()
220
+ ```
221
+
222
+ Las expresiones se evalúan sobre un AST (sin `eval()`) y admiten aritmética,
223
+ `log`, `sqrt`, `exp`, `abs`, potencias y `where`. La imputación y demás
224
+ correcciones que estiman parámetros se ajustan **solo con las filas de
225
+ entrenamiento**; el conjunto de prueba nunca interviene.
104
226
 
105
227
  ### Modelos bayesianos (con incertidumbre)
106
228
 
@@ -324,8 +446,13 @@ df_pl = sx.load_dataset("iris", backend="polars") # requiere synaptix[polars]
324
446
  model.fit(df_pl.drop("species"), df_pl["species"])
325
447
 
326
448
  X, y = sx.load_dataset("iris", return_X_y=True) # misma firma que statslibx/viewx
449
+
450
+ # AutoPipeline acepta polars DataFrame/LazyFrame (lectura diferida con proyección de columnas)
451
+ sx.AutoPipeline(engine="polars").fit(df_pl.lazy(), target="species")
327
452
  ```
328
453
 
454
+ Con `engine="auto"` polars se usa solo donde los benchmarks muestran ganancia (perfilado de datos de ≥ 1 millón de celdas); el entrenamiento siempre usa scikit-learn sobre pandas/NumPy. Ver la sección 9 de [`docs/AUTOML.md`](docs/AUTOML.md).
455
+
329
456
  ## API legacy (v0.x)
330
457
 
331
458
  Las clases de la versión 0.x siguen disponibles: `IntelligenceArtificial` (agentes, búsqueda, algoritmos genéticos, chatbots), `MachineLearning` y `NaturalLanguageProcessing`. La API key de OpenRouter ahora se lee de la variable de entorno `OPENROUTER_API_KEY`.
@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
4
4
 
5
5
  [project]
6
6
  name = "synaptix"
7
- version = "0.2.0"
7
+ version = "0.3.2"
8
8
  description = "Librería integral de Machine Learning para Python: supervisado, no supervisado, refuerzo, redes neuronales y preprocesamiento."
9
9
  readme = "README.md"
10
10
  requires-python = ">=3.9"
@@ -52,7 +52,12 @@ viz = ["seaborn>=0.11.0", "plotly>=5.0.0"]
52
52
  viewx = ["viewx>=0.3.0", "plotly>=5.0.0"]
53
53
  stats = ["statslibx>=0.4.0"]
54
54
  polars = ["polars>=0.20.0", "pyarrow>=10.0.0"]
55
+ automl = ["polars>=0.20.0", "pyarrow>=10.0.0", "optuna>=3.0.0", "psutil>=5.8.0"]
56
+ explain = ["shap>=0.42.0"]
55
57
  all = [
58
+ "optuna>=3.0.0",
59
+ "psutil>=5.8.0",
60
+ "shap>=0.42.0",
56
61
  "tensorflow>=2.12.0",
57
62
  "pymc>=5.0.0",
58
63
  "nltk>=3.6.0",
@@ -3,6 +3,7 @@ SynaptIX - Librería integral de Machine Learning para Python.
3
3
  Autor: Emmanuel Ascendra
4
4
 
5
5
  Submódulos:
6
+ - ``synaptix.automl`` : motor AutoML (AutoPipeline 2.0, perfilado, tuning, tracking).
6
7
  - ``synaptix.pipeline`` : AutoPipeline y Pipeline declarativo (ML automático).
7
8
  - ``synaptix.preprocessing`` : limpieza, escalado, codificación, outliers.
8
9
  - ``synaptix.supervised`` : regresión, clasificación y modelos bayesianos.
@@ -34,10 +35,11 @@ Ejemplo rápido
34
35
  >>> model.evaluate(X_test, y_test)
35
36
  """
36
37
 
37
- __version__ = "0.2.0"
38
+ __version__ = "0.3.2"
38
39
  __author__ = "Emmanuel Ascendra"
39
40
 
40
41
  from . import (
42
+ automl,
41
43
  metrics,
42
44
  model_selection,
43
45
  pipeline,
@@ -67,6 +69,7 @@ from .legacy import (
67
69
 
68
70
  __all__ = [
69
71
  # Submódulos
72
+ "automl",
70
73
  "pipeline",
71
74
  "preprocessing",
72
75
  "supervised",
@@ -152,3 +155,4 @@ def welcome():
152
155
  print(" - synaptix.visualization : gráficos de análisis")
153
156
  print(" - synaptix.datasets : datasets de ejemplo\n")
154
157
  print("Repositorio: https://github.com/GhostAnalyst30/SynaptIX")
158
+
@@ -0,0 +1,43 @@
1
+ """
2
+ synaptix.automl - Motor AutoML modular.
3
+
4
+ - ``AutoPipeline`` : AutoML completo con ``fit(df, target)``.
5
+ - ``data`` : entrada pandas/polars/NumPy, detección de tarea y perfilado.
6
+ - ``features`` : preprocesamiento sin fuga (ColumnTransformer por fold).
7
+ - ``evaluation`` : métricas y estrategias de validación cruzada.
8
+ - ``selection`` : registro de modelos, evaluación y ranking.
9
+ - ``tuning`` : grid, random, successive halving y Optuna.
10
+ - ``ensemble`` : votación, stacking y blending.
11
+ - ``explain`` : importancias y diagnóstico de errores.
12
+ - ``experiments`` : registro reproducible (JSON/CSV).
13
+ - ``profiling`` : tiempos y memoria por etapa.
14
+
15
+ Ejemplo
16
+ -------
17
+ >>> import synaptix as sx
18
+ >>> pipe = sx.AutoPipeline(scoring="f1_weighted", tuning="random", n_iter=30)
19
+ >>> pipe.fit(df, target="species")
20
+ >>> pipe.ranking_
21
+ >>> pipe.report(save="automl_report.html")
22
+ """
23
+
24
+ from .data import DataProfile, detect_task_details, profile_data
25
+ from .exceptions import AllModelsFailedError, AutoMLError, MissingDependencyError
26
+ from .experiments import ExperimentRecord
27
+ from .pipeline import AutoPipeline, detect_task
28
+ from .profiling import Profiler
29
+ from .selection import list_models
30
+
31
+ __all__ = [
32
+ "AutoPipeline",
33
+ "detect_task",
34
+ "detect_task_details",
35
+ "profile_data",
36
+ "DataProfile",
37
+ "ExperimentRecord",
38
+ "Profiler",
39
+ "list_models",
40
+ "AutoMLError",
41
+ "AllModelsFailedError",
42
+ "MissingDependencyError",
43
+ ]
@@ -0,0 +1,31 @@
1
+ """Presupuesto de tiempo compartido por las etapas del AutoML."""
2
+
3
+ from __future__ import annotations
4
+
5
+ import time
6
+ from typing import Optional
7
+
8
+
9
+ class TimeBudget:
10
+ """Cuenta regresiva de un presupuesto en segundos (``None`` = sin límite)."""
11
+
12
+ def __init__(self, seconds: Optional[float] = None):
13
+ if seconds is not None and seconds <= 0:
14
+ raise ValueError(f"time_budget debe ser > 0 (recibido: {seconds}).")
15
+ self.seconds = seconds
16
+ self.start = time.perf_counter()
17
+
18
+ @property
19
+ def elapsed(self) -> float:
20
+ return time.perf_counter() - self.start
21
+
22
+ def remaining(self) -> Optional[float]:
23
+ """Segundos restantes, o ``None`` si no hay límite."""
24
+ if self.seconds is None:
25
+ return None
26
+ return max(self.seconds - self.elapsed, 0.0)
27
+
28
+ @property
29
+ def exhausted(self) -> bool:
30
+ remaining = self.remaining()
31
+ return remaining is not None and remaining <= 0
@@ -0,0 +1,29 @@
1
+ """
2
+ Presets de ejecución: ``fast``, ``balanced`` (por defecto) y ``exhaustive``.
3
+
4
+ Fijan los valores que el usuario no indique explícitamente: folds, número
5
+ de combinaciones de la búsqueda y cuántos modelos del ranking se ajustan.
6
+ Los candidatos de cada modo están en
7
+ :data:`synaptix.automl.selection.MODE_CANDIDATES`.
8
+ """
9
+
10
+ from __future__ import annotations
11
+
12
+ from typing import Any, Dict
13
+
14
+ from .exceptions import AutoMLError
15
+
16
+ PRESETS: Dict[str, Dict[str, Any]] = {
17
+ "fast": {"cv": 3, "n_iter": 10, "tune_top_k": 1},
18
+ "balanced": {"cv": 5, "n_iter": 20, "tune_top_k": 1},
19
+ "exhaustive": {"cv": 5, "n_iter": 60, "tune_top_k": 3},
20
+ }
21
+
22
+
23
+ def resolve_preset(mode: str, **overrides: Any) -> Dict[str, Any]:
24
+ """Valores del preset, sustituyendo los que no sean ``None``."""
25
+ if mode not in PRESETS:
26
+ raise AutoMLError(f"mode debe ser uno de {list(PRESETS)} (recibido: {mode!r}).")
27
+ values = dict(PRESETS[mode])
28
+ values.update({k: v for k, v in overrides.items() if v is not None})
29
+ return values
@@ -0,0 +1,29 @@
1
+ """Capa de datos del motor AutoML: entrada, detección y perfilado."""
2
+
3
+ from .adapters import (
4
+ LoadedData,
5
+ input_kind,
6
+ load_data,
7
+ polars_available,
8
+ resolve_engine,
9
+ use_polars_profiling,
10
+ )
11
+ from .detection import TaskDetection, detect_task, detect_task_details, infer_feature_types
12
+ from .intelligence import DataProfile, DataWarning, leakage_checks, profile_data
13
+
14
+ __all__ = [
15
+ "LoadedData",
16
+ "input_kind",
17
+ "load_data",
18
+ "polars_available",
19
+ "resolve_engine",
20
+ "use_polars_profiling",
21
+ "TaskDetection",
22
+ "detect_task",
23
+ "detect_task_details",
24
+ "infer_feature_types",
25
+ "DataProfile",
26
+ "DataWarning",
27
+ "leakage_checks",
28
+ "profile_data",
29
+ ]