Recall везде + фиксы окружения

- recall_macro/recall_weighted во всех скриптах с метриками
  (train_simple, train_gpu, autolog_demo, hyperparam_sweep,
   grid_search_cv, load_and_predict, compare_runs)
- grid_search_cv: multi-metric scoring (accuracy + recall_macro)
- register_model: выбор лучшей модели по recall (--metric)
- MLflow warnings: name вместо artifact_path, сигнатура модели,
  numpy input_example для pytorch, подавление env-var INFO
- start_ui.sh: порт 5555 + file-store backend (фикс: UI не показывал
  эксперименты, т.к. скрипты писали в mlruns/, а сервер читал sqlite)
- setup_server.sh: развилка macOS/Linux + проверка MPS
- train_gpu: get_device CUDA→MPS→CPU, num_workers=0 на macOS
- AGENTS.md: гид для агента + саморегламент обновления
- README/CODE_WALKTHROUGH: выровнена нумерация уроков 8/9
- .gitignore: +.DS_Store
- удалён scripts/setup_git.sh

src/grid_search_cv.py

@@ -10,11 +10,15 @@ MLflow autolog автоматически залогирует КАЖУЮ поп
 from sklearn.datasets import load_digits
 from sklearn.ensemble import RandomForestClassifier
 from sklearn.model_selection import GridSearchCV, train_test_split
-from sklearn.metrics import accuracy_score
+from sklearn.metrics import accuracy_score, recall_score
 
 import mlflow
 import mlflow.sklearn
 
+# Подавляем INFO MLflow о переменных окружения (напр. OPENAI_API_KEY) при логировании модели
+import os
+os.environ.setdefault("MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING", "false")
+
 
 def main():
     # autolog для sklearn — залогирует все промежуточные попытки GridSearch
@@ -56,7 +60,8 @@ def main():
             estimator=RandomForestClassifier(random_state=42, n_jobs=-1),
             param_grid=param_grid,
             cv=5,
-            scoring="accuracy",
+            scoring=["accuracy", "recall_macro"],  # мульти-метрика: accuracy + recall
+            refit="accuracy",                       # лучший выбираем по accuracy
             n_jobs=-1,
             verbose=1,
         )
@@ -66,14 +71,23 @@ def main():
         best = grid.best_estimator_
         y_pred = best.predict(X_test)
         test_acc = accuracy_score(y_test, y_pred)
+        test_recall_macro = recall_score(y_test, y_pred, average="macro")
+        test_recall_weighted = recall_score(y_test, y_pred, average="weighted")
+        best_cv_recall = grid.cv_results_["mean_test_recall_macro"][grid.best_index_]
 
         mlflow.log_param("best_params", str(grid.best_params_))
-        mlflow.log_metric("best_cv_score", grid.best_score_)
+        mlflow.log_metric("best_cv_score", grid.best_score_)          # accuracy (refit)
+        mlflow.log_metric("best_cv_recall_macro", best_cv_recall)
         mlflow.log_metric("test_accuracy", test_acc)
+        mlflow.log_metric("test_recall_macro", test_recall_macro)
+        mlflow.log_metric("test_recall_weighted", test_recall_weighted)
 
         print(f"\n🏆 Лучшие параметры: {grid.best_params_}")
-        print(f"   CV score: {grid.best_score_:.4f}")
-        print(f"   Test accuracy: {test_acc:.4f}")
+        print(f"   CV accuracy:     {grid.best_score_:.4f}")
+        print(f"   CV recall_macro: {best_cv_recall:.4f}")
+        print(f"   Test accuracy:   {test_acc:.4f}")
+        print(f"   Test recall_macro:    {test_recall_macro:.4f}")
+        print(f"   Test recall_weighted:  {test_recall_weighted:.4f}")
         print(f"\n📊 В MLflow UI:")
         print(f"   Эксперимент: gridsearch_digits")
         print(f"   Parent run: {run.info.run_id}")