Full Training Pipeline

1. Установите окружение Python 3.12 с PyTorch и scikit-learn (см. requirements базового окружения).
2. Запустите python training/train_models.py из корня проекта. Скрипт поддерживает JSON-конфиг:

   python training/train_models.py --config-path configs/your_best.json --atrifacts-dir atrifacts/your_best_model

   По умолчанию выполняется 5-fold CV и финальное обучение; ключи --skip-final, --no-save, --quiet позволяют быстро проверить конфигурацию без перезаписи артефактов. Скрипт:
   • Строит онлайн-признаки с помощью src.features.FeatureGenerator. Так же есть и minimal_features, advanced_features, simple_features и экспериментальный DLinearAugmentedFeatureGenerator experiments.dlinear.feature_generator.
   • Делит последовательности по n_folds (по умолчанию 5).
   • Обучает ансамбль из MLP, Ridge и Transformer (ConvGRU, DilatedCNN, ResNet, Mamba, DeepGRU).
   • Сохраняет веса и статистики в artifacts/ (при включённом финальном обучении).
   • Возвращает JSON-резюме с OOF и финальными метриками.
3. После обучения solution.py автоматически подхватывает новые веса.

Артефакты:

• data_stats.npz — нормировочные статистики.
• feature_mlp.pt, ridge_weights.npz, temporal_transformer.pt — веса базовых моделей.
• ensemble_weights.npz — коэффициенты линейного стекера.
• training_summary.json — контрольные метрики (R² на валидации).
• auto_training_summary.json — метрики финального запуска при использовании автоматического тюнера.