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
2026-07-20 22:28:23 +03:00
parent d6a4b46db0
commit d5c5bf3767
15 changed files with 547 additions and 257 deletions
@@ -9,3 +9,6 @@ data/MNIST/

 # Flask serve
 instance/
+
+# macOS
+.DS_Store
@@ -0,0 +1,206 @@
+# AGENTS.md — гид для агента по проекту mlflow-practice
+
+> Этот файл — ориентир для любого AI-агента (и человека), который будет
+> работать с проектом. Читай его **первым** при входе в репозиторий.
+
+---
+
+## 🎯 Назначение проекта
+
+Учебный проект для изучения **MLflow** на практике: от логирования
+экспериментов до Model Registry и serving моделей. Девять последовательных
+уроков, каждый — отдельный скрипт в `src/`. Поддерживает **GPU (RTX 3090, CUDA)**
+и **macOS (Intel CPU / Apple Silicon MPS)**.
+
+Не production-система. Цель — показать полный цикл MLOps на маленьких
+встроенных датасетах (digits, wine, MNIST).
+
+---
+
+## 📁 Карта проекта
+
+```
+mlflow-practice/
+├── AGENTS.md               # ← этот файл (поддерживай актуальным!)
+├── README.md               # пользовательская документация (как запускать)
+├── CODE_WALKTHROUGH.md     # подробный разбор каждого файла с пояснениями
+├── MLproject               # MLflow Projects: entry points main/gpu/sweep
+├── python_env.yaml         # окружение для MLproject (python 3.10)
+├── requirements.txt        # pip-зависимости
+├── setup_server.sh         # установка окружения (РАЗВИЛКА macOS/Linux)
+├── start_ui.sh             # запуск MLflow Tracking Server (UI на :5555, file-store)
+├── .gitignore
+├── scripts/
+│   └── setup_git.sh        # настройка Git (HTTPS + токен)
+├── src/                    # ← весь код уроков здесь
+│   ├── train_simple.py       # Урок 1: sklearn + Tracking (ручное логирование)
+│   ├── train_gpu.py          # Урок 2: PyTorch CNN, CUDA→MPS→CPU
+│   ├── register_model.py     # Урок 3: Model Registry (версии, стадии)
+│   ├── load_and_predict.py   # Урок 4: загрузка модели + предсказание
+│   ├── compare_runs.py        # Урок 5: сравнение запусков через API
+│   ├── autolog_demo.py       # Урок 6: mlflow.autolog()
+│   ├── hyperparam_sweep.py   # Урок 7: перебор гиперпараметров вручную
+│   ├── serve_model.py         # Урок 8: REST API сервер модели (Flask)
+│   └── grid_search_cv.py     # Урок 9: GridSearchCV + autolog
+├── data/                   # датасеты (MNIST скачается автоматически)
+├── artifacts/              # графики, отчёты (логируются в MLflow)
+└── mlruns/                 # локальный file store MLflow (в .gitignore)
+```
+
+---
+
+## 🧩 Роль каждого файла (кратко)
+
+| Файл | Что делает | Датасет | Фреймворк |
+|---|---|---|---|
+| `train_simple.py` | RandomForest, ручное логирование params/metrics/model/artifacts | digits | sklearn |
+| `train_gpu.py` | CNN, логирование по эпохам, выбор устройства `get_device()` | MNIST | PyTorch |
+| `register_model.py` | ищет лучший run по метрике, регистрирует модель, стадия Production | — | MLflow API |
+| `load_and_predict.py` | грузит `models:/digits_rf_model/Production`, предсказывает | digits | MLflow |
+| `compare_runs.py` | `MlflowClient.search_runs`, топ-N по метрике | — | MLflow API |
+| `autolog_demo.py` | `mlflow.autolog()` для GradientBoosting | wine | sklearn |
+| `hyperparam_sweep.py` | ручной перебор комбинаций, `--max-combos` | digits | sklearn |
+| `serve_model.py` | Flask-сервер `/predict`, грузит модель из реестра | digits | Flask + MLflow |
+| `grid_search_cv.py` | `GridSearchCV`, autolog залогит каждую попытку | digits | sklearn |
+
+---
+
+## 🖥️ Платформенная специфика
+
+### Выбор устройства в `train_gpu.py`
+Функция `get_device()` определяет устройство в порядке:
+**CUDA → MPS (Apple Silicon) → CPU**. Тег MLflow `device_type` хранит выбор
+(`cuda` / `mps` / `cpu`) — по нему удобно фильтровать запуски в UI.
+
+### `num_workers` в DataLoader
+На **macOS с MPS** многопроцессная загрузка нестабильна (fork + MPS),
+поэтому `num_workers=0` на Darwin и `4` на Linux. `pin_memory=True`
+только для CUDA. Логика — в `train_gpu.py` рядом с `DataLoader`.
+
+### `setup_server.sh` — развивка по ОС
+- `Darwin` → macOS: проверка Homebrew, `python@3.12` через brew, PyTorch
+  из PyPI (без CUDA), проверка `torch.backends.mps.is_available()`.
+- `Linux` → GPU-сервер: `nvidia-smi`, PyTorch из
+  `--index-url https://download.pytorch.org/whl/cu121`, проверка VRAM.
+
+При добавлении новой платформы — расширяй `case "$OS"` в начале скрипта.
+
+---
+
+## 🚀 Стандартные команды
+
+```bash
+# Окружение
+bash setup_server.sh                 # установка (macOS или Linux)
+source .venv/bin/activate
+./start_ui.sh                        # MLflow UI → http://localhost:5555
+
+# Уроки (в отдельном терминале, с активированным venv)
+python src/train_simple.py --n-estimators 100 --max-depth 8
+python src/train_gpu.py --epochs 5 --batch-size 128 --lr 0.001   # macOS/MPS
+python src/register_model.py --experiment digits_classification
+python src/load_and_predict.py
+python src/compare_runs.py --experiment digits_classification --top 10
+python src/autolog_demo.py
+python src/hyperparam_sweep.py --max-combos 20
+python src/serve_model.py --port 5001
+python src/grid_search_cv.py
+
+# Через MLflow Projects (изолированное окружение по MLproject)
+mlflow run . -P n_estimators=100 -P max_depth=8
+mlflow run . -P epochs=10 -P batch_size=256 -P lr=0.001 --entry-point gpu
+```
+
+---
+
+## 🔧 Конвенции кода
+
+- **Датасеты** — только встроенные (`load_digits`, `load_wine`, MNIST через
+  `torchvision`). Никаких внешних файлов в `data/`, кроме скачанного MNIST.
+- **Логирование** — параметры/метрики/модель/артефакты. Графики сохраняются
+  в `artifacts/` и логируются через `mlflow.log_artifact`.
+- **Имена экспериментов**: `digits_classification`, `mnist_cnn_gpu`,
+  `wine_autolog` и т.п. Модель в реестре — `digits_rf_model`.
+- **`matplotlib.use("Agg")`** обязателен перед импортом pyplot — скрипты
+  работают без GUI (на сервере).
+- **Python ≥ 3.10** (см. `python_env.yaml`). type hints опциональны.
+- **CLI через `argparse`** — все скрипты с параметрами запускаются из CLI.
+
+---
+
+## ⚠️ Известные шероховатости / TODO
+
+- ~~Нумерация уроков 8/9 расходилась между докстрингами и README/CODE_WALKTHROUGH~~ —
+  **исправлено**: канон `serve_model.py`=Урок 8 / `grid_search_cv.py`=Урок 9,
+  README.md и CODE_WALKTHROUGH.md выровнены под докстринги (порядок секций тоже).
+- `requirements.txt` включает `torch`/`torchvision` из PyPI (CPU/MPS).
+  Для CUDA их нужно ставить отдельно через `--index-url .../whl/cu121`
+  (см. `setup_server.sh`, ветка Linux).
+- **Порт MLflow UI = 5555** (не 5000): на macOS порт 5000 занят системным сервисом AirPlay Receiver (процесс `ControlCenter`), поэтому `start_ui.sh` использует 5555. На Linux можно вернуть 5000, но 5555 работает везде.
+- **MLflow 3.x: `artifact_path` устарел** — во всех `log_model` используется `name=...` (был `artifact_path=...`). При обновлении/добавлении log_model не используй `artifact_path`.
+- **Сигнатура модели**: `train_simple.py` логирует модель с явной `signature=` и `input_example=` (через `mlflow.models.signature.infer_signature`). Без этого MLflow пишет warning «Model logged without a signature and input example».
+- `train_gpu.py` передаёт `input_example` → сигнатура авто-infer'ится.
+- `autolog_demo.py` намеренно отключает сигнатуры (`log_model_signatures=False`) как демо опций autolog — там warning ожидаем.
+- **INFO про переменные окружения** (`OPENAI_API_KEY` и т.п.) при логировании подавлено через `MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING=false` в скриптах, логирующих модели.
+- **`input_example` для `mlflow.pytorch.log_model` — только numpy**, не `torch.Tensor`: MLflow 3.x валидирует пример входа и падает с `MlflowException ... but got '<class 'torch.Tensor'>'`. В `train_gpu.py` передаётся `np.random.rand(1,1,28,28).astype(np.float32)`. Аналогично для других flavor'ов — пример должен быть DataFrame/ndarray/dict/list/скаляр.
+- **urllib3 `NotOpenSSLWarning`** на macOS (системный `ssl` собран с LibreSSL 2.8.3, urllib3 v2 просит OpenSSL 1.1.1+) — стороннее шумовое предупреждение, к проекту отношения не имеет; не подавляем (чтобы не прятать реальные предупреждения).
+- **«Эксперимент не виден в UI» (главная причина)**: скрипты по умолчанию пишут в локальный file store `./mlruns`, а `start_ui.sh` раньше поднимал сервер на **SQLite** (`mlflow.db`) — два разных хранилища, UI ничего не показывал. Теперь `start_ui.sh` использует `--backend-store-uri file://${PWD}/mlruns` — **то же хранилище, что и скрипты**, поэтому всё видно без настройки tracking URI. Альтернатива (SQLite-бэкенд) оставлена закомментированной в `start_ui.sh`; при её включении в скриптах нужно задать `mlflow.set_tracking_uri('http://localhost:5555')` (или `MLFLOW_TRACKING_URI`).
+- `mlruns/`, `artifacts/*`, `data/MNIST/`, `mlflow.db` — в `.gitignore`,
+  в репозиторий не попадают.
+
+---
+
+## 🔄 Когда обновлять этот файл
+
+**AGENTS.md — живой документ. Обновляй его при:**
+
+1. **Добавлении/удалении файла в `src/`** — обнови карту проекта и таблицу ролей.
+2. **Изменении платформенной логики** (новое устройство, новая ОС в
+   `setup_server.sh`, изменение `get_device()` или `num_workers`) — обнови
+   раздел «Платформенная специфика».
+3. **Изменении имён экспериментов/моделей** в реестре — обнови «Конвенции».
+4. **Изменении зависимостей или версии Python** (`requirements.txt`,
+   `python_env.yaml`) — проверь раздел команд и конвенции.
+5. **Появлении новых entry points в `MLproject`** — добавь в карту и команды.
+6. **Обнаружении gotcha/шероховатости** — занеси в «Известные шероховатости»,
+   чтобы следующий агент не наступал повторно.
+
+Правило простое: **если ты что-то изменил в структуре/поведении проекта,
+отрази это в AGENTS.md в том же коммите.** Если файл устарел относительно
+кода — это баг, который нужно исправить.
+
+---
+
+## 📌 Шпаргалка по MLflow API (часто используемое в проекте)
+
+```python
+mlflow.set_experiment("name")
+with mlflow.start_run(run_name="...") as run:
+    mlflow.log_param("k", v)
+    mlflow.log_metric("acc", 0.95, step=epoch)
+    mlflow.log_artifact("artifacts/curve.png")
+    mlflow.sklearn.log_model(model, "model")          # sklearn flavor
+    mlflow.pytorch.log_model(model, "model")          # pytorch flavor
+    mlflow.set_tag("device_type", "mps")
+    mlflow.autolog()                                  # авто-логирование
+
+# Model Registry
+client = MlflowClient()
+client.search_runs([experiment_id], order_by=["metrics.accuracy DESC"])
+mlflow.register_model("runs:/<run_id>/model", "digits_rf_model")
+client.transition_model_version_stage("digits_rf_model", version=1, stage="Production")
+mlflow.pyfunc.load_model("models:/digits_rf_model/Production")
+```
+
+---
+
+## 🧭 С чего начать новому агенту
+
+1. Прочитай этот файл целиком.
+2. Прочитай `README.md` (пользовательский взгляд) и `CODE_WALKTHROUGH.md`
+   (детальный разбор кода).
+3. Прогони `bash setup_server.sh` на целевой платформе, чтобы понять
+   состояние окружения.
+4. Перед правками проверь `git status` — в этом окружении `.git` может быть
+   read-only для агента (тогда коммит делает пользователь вручную).
+5. Любое структурное изменение → коммит + правка AGENTS.md.
@@ -23,8 +23,8 @@ mlflow-practice/
    ├── compare_runs.py     # Урок 5: сравнение запусков через API
    ├── autolog_demo.py     # Урок 6: autolog (автоматическое логирование)
    ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров (вручную)
-    ├── grid_search_cv.py   # Урок 8: GridSearchCV + autolog
-    └── serve_model.py     # Урок 9: REST API сервер модели
+    ├── serve_model.py      # Урок 8: REST API сервер модели
+    └── grid_search_cv.py   # Урок 9: GridSearchCV + autolog
 ```

 ---
@@ -379,23 +379,6 @@ CV делит train на 5 фолдов, обучает 5 раз, усредня

 ---

-## 📄 grid_search_cv.py — GridSearchCV + autolog
-
-```python
-mlflow.sklearn.autolog(max_tuning_runs=20)
-...
-grid = GridSearchCV(estimator=..., param_grid=..., cv=5)
-grid.fit(X_train, y_train)
-```
-
-MLflow autolog + GridSearchCV = **дерево запусков**:
- **Parent run** (`gridsearch_rf`) — главный, содержит лучшие параметры
- **Child runs** — каждая комбинация гиперпараметров отдельный run
-
-В UI это видно как иерархия. Parent показывает итог, children — детали.
-
---
-
 ## 📄 serve_model.py — REST API

 ### Загрузка модели при старте
@@ -448,6 +431,23 @@ MLflow сам поднимает сервер с стандартным API. К

 ---

+## 📄 grid_search_cv.py — GridSearchCV + autolog
+
+```python
+mlflow.sklearn.autolog(max_tuning_runs=20)
+...
+grid = GridSearchCV(estimator=..., param_grid=..., cv=5)
+grid.fit(X_train, y_train)
+```
+
+MLflow autolog + GridSearchCV = **дерево запусков**:
+- **Parent run** (`gridsearch_rf`) — главный, содержит лучшие параметры
+- **Child runs** — каждая комбинация гиперпараметров отдельный run
+
+В UI это видно как иерархия. Parent показывает итог, children — детали.
+
+---
+
 ## 📄 MLproject — воспроизводимость

 ```yaml
@@ -28,8 +28,8 @@ mlflow-practice/
    ├── compare_runs.py     # Урок 5: сравнение через API
    ├── autolog_demo.py     # Урок 6: autolog (автоматическое)
    ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров
-    ├── grid_search_cv.py   # Урок 8: GridSearchCV + autolog
-    └── serve_model.py      # Урок 9: REST API сервер
+    ├── serve_model.py      # Урок 8: REST API сервер
+    └── grid_search_cv.py   # Урок 9: GridSearchCV + autolog
 ```

 ---
@@ -52,7 +52,7 @@ pip install flask  # для serve_model.py

 ```bash
 ./start_ui.sh
-# → http://10.0.0.7:5000
+# → http://10.0.0.7:5555
 ```

 ### 3. Уроки по порядку
@@ -81,12 +81,12 @@ python src/autolog_demo.py
 # Урок 7 — Hyperparameter sweep (20 комбинаций)
 python src/hyperparam_sweep.py --max-combos 20

-# Урок 8 — GridSearchCV + autolog (parent/child runs)
-python src/grid_search_cv.py
-
-# Урок 9 — Model serving (REST API)
+# Урок 8 — Model serving (REST API)
 python src/serve_model.py --port 5001
 # → curl http://localhost:5001/predict_random
+
+# Урок 9 — GridSearchCV + autolog (parent/child runs)
+python src/grid_search_cv.py
 ```

 ### 4. MLflow Projects (воспроизводимый запуск)
@@ -1,148 +0,0 @@
-#!/bin/bash
-# ============================================================
-#  Глобальная настройка Git (HTTPS + токен, без SSH)
-#  Запуск: bash scripts/setup_git.sh
-# ============================================================
-set -e
-
-echo "🔧 Глобальная настройка Git"
-echo "============================"
-echo ""
-
-if ! command -v git &> /dev/null; then
-    echo "❌ Git не установлен!"
-    echo "   macOS:  brew install git"
-    echo "   Ubuntu: sudo apt install git"
-    exit 1
-fi
-
-echo "✅ Git: $(git --version)"
-echo ""
-
-# ─── 1. Имя и email ──────────────────────────────────────────
-DEFAULT_NAME="admin"
-DEFAULT_EMAIL="admin@e7.by"
-GIT_NAME="${GIT_NAME:-$DEFAULT_NAME}"
-GIT_EMAIL="${GIT_EMAIL:-$DEFAULT_EMAIL}"
-
-read -p "Имя [$GIT_NAME]: " input_name
-read -p "Email [$GIT_EMAIL]: " input_email
-
-git config --global user.name "${input_name:-$GIT_NAME}"
-git config --global user.email "${input_email:-$GIT_EMAIL}"
-echo "✅ user.name  = $(git config --global user.name)"
-echo "✅ user.email = $(git config --global user.email)"
-echo ""
-
-# ─── 2. Базовые настройки ────────────────────────────────────
-git config --global init.defaultBranch main
-git config --global core.autocrlf input
-git config --global core.safecrlf true
-git config --global core.longpaths true
-git config --global core.editor "vi"
-git config --global core.pager "less -FRX"
-git config --global color.ui auto
-git config --global pull.rebase true
-git config --global rebase.autoStash true
-git config --global push.default current
-echo "✅ Базовые настройки (main, rebase, colors, pager)"
-
-# ─── 3. Алиасы ───────────────────────────────────────────────
-git config --global alias.st "status -sb"
-git config --global alias.co "checkout"
-git config --global alias.br "branch"
-git config --global alias.ci "commit"
-git config --global alias.cm "commit -m"
-git config --global alias.ca "commit --amend"
-git config --global alias.lg "log --oneline --graph --decorate --all"
-git config --global alias.last "log -1 HEAD --stat"
-git config --global alias.unstage "restore --staged"
-git config --global alias.discard "checkout --"
-git config --global alias.aliases "config --get-regexp ^alias\\."
-echo "✅ Алиасы: git st, git lg, git ci, git cm, git co, git br, git ca, git last"
-
-# ─── 4. Credential helper (хранение токенов) ─────────────────
-# macOS: токен в Keychain (безопасно, шифруется)
-# Linux: токен в ~/.git-credentials (файл, без шифрования)
-if [[ "$OSTYPE" == "darwin"* ]]; then
-    git config --global credential.helper osxkeychain
-    echo "✅ credential.helper = osxkeychain (macOS Keychain)"
-else
-    git config --global credential.helper store
-    chmod 600 ~/.git-credentials 2>/dev/null || true
-    echo "✅ credential.helper = store (~/.git-credentials, chmod 600)"
-fi
-
-# ─── 5. Настройка токена для git.e7.by ────────────────────────
-echo ""
-echo "🔐 Настройка токена для git.e7.by"
-echo "--------------------------------------------"
-echo "  git.e7.by работает только через HTTPS + токен."
-echo "  Токен можно создать в: Profile → Settings → Access Tokens"
-echo ""
-
-read -p "Введите токен (или Enter чтобы пропустить): " TOKEN
-
-if [ -n "$TOKEN" ]; then
-    # Сохраняем токен через credential helper
-    # Формат: https://username:token@host
-    echo "https://core:${TOKEN}@git.e7.by" | git credential-store store 2>/dev/null || \
-    echo "https://core:${TOKEN}@git.e7.by" >> ~/.git-credentials 2>/dev/null || true
-
-    # Для macOS Keychain — через security
-    if [[ "$OSTYPE" == "darwin"* ]]; then
-        # Записываем в Keychain напрямую
-        security add-internet-password -s git.e7.by -a core -w "$TOKEN" -r https 2>/dev/null || true
-        echo "✅ Токен сохранён в macOS Keychain (git.e7.by / core)"
-    else
-        chmod 600 ~/.git-credentials 2>/dev/null || true
-        echo "✅ Токен сохранён в ~/.git-credentials"
-    fi
-
-    # ВАЖНО: remote URL должен быть БЕЗ токена!
-    # Токен подхватится автоматически из credential helper
-    echo ""
-    echo "📌 Теперь добавляйте remote БЕЗ токена:"
-    echo "   git remote add origin https://git.e7.by/sandbox/repo.git"
-    echo "   git push -u origin main"
-    echo "   (токен подставится автоматически из credential helper)"
-else
-    echo "⏭️  Токен не введён — пропускаю"
-    echo "   Добавьте позже:"
-    echo "   echo 'https://core:ТОКЕН@git.e7.by' >> ~/.git-credentials  # Linux"
-    echo "   security add-internet-password -s git.e7.by -a core -w 'ТОКЕН' -r https  # macOS"
-fi
-
-# ─── 6. Если репо уже есть — чистим токен из remote URL ──────
-echo ""
-echo "🧹 Проверка текущих remote на наличие токена в URL..."
-CLEANED=0
-for repo_remote in $(git remote 2>/dev/null); do
-    url=$(git remote get-url "$repo_remote" 2>/dev/null || true)
-    if echo "$url" | grep -q "://.*:.*@"; then
-        clean_url=$(echo "$url" | sed 's|://[^@]*@|://|')
-        git remote set-url "$repo_remote" "$clean_url"
-        echo "   ✅ $repo_remote: токен удалён из URL"
-        echo "      было: $url"
-        echo "      стало: $clean_url"
-        CLEANED=1
-    fi
-done
-if [ "$CLEANED" -eq 0 ]; then
-    echo "   ✅ Токенов в remote URL не найдено"
-fi
-
-# ─── 7. Финал ────────────────────────────────────────────────
-echo ""
-echo "============================================"
-echo "  ✅ Настройка завершена!"
-echo "============================================"
-echo ""
-echo "📋 Глобальные настройки:"
-echo "--------------------------------------------"
-git config --global --list
-echo "--------------------------------------------"
-echo ""
-echo "🧪 Проверка токена:"
-echo "   git ls-remote https://git.e7.by/sandbox/mlflow-practice.git"
-echo "   (если спросит пароль — токен не подхватился)"
@@ -1,56 +1,134 @@
 #!/bin/bash
 # ============================================================
-#  Установка окружения MLflow на GPU-сервере (RTX 3090)
-#  Запускать НА СЕРВЕРЕ: bash setup_server.sh
+#  Установка окружения MLflow Practice
+#  Поддержка: Linux (GPU-сервер, RTX 3090) и macOS (Intel/Apple Silicon)
+#  Запускать: bash setup_server.sh
 # ============================================================
 set -e

 echo "============================================"
-echo "  MLflow Practice — установка на сервере"
+echo "  MLflow Practice — установка окружения"
 echo "============================================"

-# --- Проверка GPU ---
-echo ""
-echo "📡 Проверка GPU..."
-if command -v nvidia-smi &> /dev/null; then
-    nvidia-smi --query-gpu=name,memory.total,driver_version --format=csv,noheader
+# --- Определение ОС ---
+OS="$(uname -s)"
+case "$OS" in
+    Darwin*) PLATFORM="macos" ;;
+    Linux*)  PLATFORM="linux" ;;
+    *)       echo "❌ Неподдерживаемая ОС: $OS"; exit 1 ;;
+esac
+ARCH="$(uname -m)"
+echo "📍 Платформа: $PLATFORM ($ARCH)"
+
+# ============================================
+#  macOS — установка без CUDA (есть MPS на Apple Silicon)
+# ============================================
+if [ "$PLATFORM" = "macos" ]; then
+
+    echo ""
+    echo "🍎 macOS: подготовка системы..."
+
+    # --- Homebrew ---
+    if ! command -v brew &> /dev/null; then
+        echo "⚠️  Homebrew не найден. Установите его вручную:"
+        echo "    /bin/bash -c \"\$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)\""
+        echo "    и запустите скрипт снова."
+        exit 1
+    fi
+    echo "   Homebrew: $(brew --version | head -1)"
+
+    # --- Python через brew (если нет) ---
+    if ! command -v python3 &> /dev/null; then
+        echo "📥 Устанавливаю python@3.13 через brew..."
+        brew install python@3.13
+    fi
+    echo "🐍 Python: $(python3.13 --version)"
+
+    # --- Создание venv ---
+    echo ""
+    echo "📦 Создание виртуального окружения venv..."
+    if [ ! -d ".venv" ]; then
+        python3.13 -m venv .venv
+    fi
+    source .venv/bin/activate
+    echo "   Активировано: $(which python)"
+
+    # --- pip ---
+    echo ""
+    echo "⬆️  Обновление pip..."
+    pip install --upgrade pip wheel setuptools
+
+    # --- MLflow + базовые библиотеки ---
+    echo ""
+    echo "📥 Установка MLflow + scikit-learn + matplotlib..."
+    pip install mlflow scikit-learn pandas numpy matplotlib
+
+    # --- PyTorch (CPU на Intel, MPS на Apple Silicon) ---
+    echo ""
+    echo "🔥 Установка PyTorch (PyPI — без CUDA)..."
+    pip install torch torchvision
+
+    # --- Проверка PyTorch + устройства ---
+    echo ""
+    echo "✅ Проверка PyTorch..."
+    python3 -c "
+import torch, platform
+print(f'PyTorch: {torch.__version__}')
+print(f'MPS available: {torch.backends.mps.is_available()}')
+if torch.backends.mps.is_available():
+    print('Устройство: Apple Silicon GPU (MPS)')
+else:
+    print('Устройство: CPU (Intel Mac)')
+print('ℹ️  На macOS CUDA недоступна — train_gpu.py будет использовать CPU/MPS')
+"
+
+# ============================================
+#  Linux — GPU-сервер с CUDA (RTX 3090)
+# ============================================
 else
+
+    # --- Проверка GPU ---
+    echo ""
+    echo "📡 Проверка GPU..."
+    if command -v nvidia-smi &> /dev/null; then
+        nvidia-smi --query-gpu=name,memory.total,driver_version --format=csv,noheader
+    else
        echo "⚠️  nvidia-smi не найден — CUDA может быть не установлена"
-fi
+    fi

-# --- Проверка Python ---
-echo ""
-echo "🐍 Проверка Python..."
-python3 --version
+    # --- Проверка Python ---
+    echo ""
+    echo "🐍 Проверка Python..."
+    python3 --version

-# --- Создание виртуального окружения ---
-echo ""
-echo "📦 Создание виртуального окружения venv..."
-if [ ! -d ".venv" ]; then
+    # --- Создание venv ---
+    echo ""
+    echo "📦 Создание виртуального окружения venv..."
+    if [ ! -d ".venv" ]; then
        python3 -m venv .venv
-fi
-source .venv/bin/activate
-echo "   Активировано: $(which python)"
+    fi
+    source .venv/bin/activate
+    echo "   Активировано: $(which python)"

-# --- Обновление pip ---
-echo ""
-echo "⬆️  Обновление pip..."
-pip install --upgrade pip wheel setuptools
+    # --- pip ---
+    echo ""
+    echo "⬆️  Обновление pip..."
+    pip install --upgrade pip wheel setuptools

-# --- Установка MLflow и базовых библиотек ---
-echo ""
-echo "📥 Установка MLflow + scikit-learn + matplotlib..."
-pip install mlflow scikit-learn pandas numpy matplotlib
+    # --- MLflow + базовые библиотеки ---
+    echo ""
+    echo "📥 Установка MLflow + scikit-learn + matplotlib..."
+    pip install mlflow scikit-learn pandas numpy matplotlib

-# --- Установка PyTorch под CUDA ---
-echo ""
-echo "🔥 Установка PyTorch (CUDA 12.1)..."
-pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
+    # --- PyTorch под CUDA 12.1 ---
+    echo ""
+    echo "🔥 Установка PyTorch (CUDA 12.1)..."
+    pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

-# --- Проверка CUDA ---
-echo ""
-echo "✅ Проверка PyTorch + CUDA..."
-python3 -c "
+    # --- Проверка PyTorch + CUDA ---
+    echo ""
+    echo "✅ Проверка PyTorch + CUDA..."
+    python3 -c "
 import torch
 print(f'PyTorch: {torch.__version__}')
 print(f'CUDA available: {torch.cuda.is_available()}')
@@ -58,15 +136,18 @@ if torch.cuda.is_available():
    print(f'GPU: {torch.cuda.get_device_name(0)}')
    print(f'VRAM: {torch.cuda.get_device_properties(0).total_memory / 1e9:.1f} GB')
 "
+fi

-# --- Проверка MLflow ---
+# ============================================
+#  Общая проверка MLflow (обе платформы)
+# ============================================
 echo ""
 echo "✅ Проверка MLflow..."
 python3 -c "import mlflow; print(f'MLflow: {mlflow.__version__}')"

 echo ""
 echo "============================================"
-echo "  ✅ Установка завершена!"
+echo "  ✅ Установка завершена! ($PLATFORM)"
 echo "============================================"
 echo ""
 echo "Следующие шаги:"
@@ -74,6 +155,11 @@ echo "  1. Активируйте окружение:  source .venv/bin/activate
 echo "  2. Запустите MLflow UI:    ./start_ui.sh"
 echo "  3. В другом терминале:"
 echo "     source .venv/bin/activate"
-echo "     python src/train_simple.py --n-estimators 100 --max-depth 8"
-echo "     python src/train_gpu.py --epochs 10 --batch-size 256 --lr 0.001"
+if [ "$PLATFORM" = "macos" ]; then
+    echo "     python src/train_simple.py --n-estimators 100 --max-depth 8"
+    echo "     python src/train_gpu.py --epochs 3 --batch-size 64 --lr 0.01  # CPU/MPS, меньше эпох"
+else
+    echo "     python src/train_simple.py --n-estimators 100 --max-depth 8"
+    echo "     python src/train_gpu.py --epochs 10 --batch-size 256 --lr 0.001"
+fi
 echo ""
@@ -13,11 +13,15 @@
 from sklearn.datasets import load_wine
 from sklearn.ensemble import GradientBoostingClassifier
 from sklearn.model_selection import 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():
    # ─── КЛЮЧЕВАЯ СТРОКА ──────────────────────────────────────
@@ -60,12 +64,18 @@ def main():
        # Можно добавить и ручные метрики — они дополнят автолог
        y_pred = model.predict(X_test)
        acc = accuracy_score(y_test, y_pred)
+        recall_macro = recall_score(y_test, y_pred, average="macro")
+        recall_weighted = recall_score(y_test, y_pred, average="weighted")
        mlflow.log_metric("manual_accuracy", acc)
+        mlflow.log_metric("manual_recall_macro", recall_macro)
+        mlflow.log_metric("manual_recall_weighted", recall_weighted)

        print(f"\n✅ Готово! Откройте MLflow UI:")
        print(f"   Эксперимент: autolog_wine")
        print(f"   Run: {run.info.run_id}")
        print(f"   Accuracy:         {acc:.4f}")
+        print(f"   Recall (macro):   {recall_macro:.4f}")
+        print(f"   Recall (weighted):{recall_weighted:.4f}")
        print(f"\n🔍 Что autolog залогировал автоматически:")
        print(f"   • Параметры: n_estimators, learning_rate, max_depth, ...")
        print(f"   • Метрики: training_accuracy, training_log_loss, ...")
@@ -35,19 +35,35 @@ def main():
        print("❌ Нет запусков!")
        return

+    # Какие метрики показывать (показываем recall везде, где он есть)
+    metric_cols = [args.metric, "recall_macro", "recall_weighted",
+                   "test_recall_macro", "test_recall_weighted",
+                   "manual_recall_macro"]
+
    print(f"📊 Топ-{len(runs)} запусков в '{args.experiment}' по {args.metric}:")
-    print(f"{'#':>3} | {'Run ID':>36} | {'accuracy':>9} | {'n_est':>6} | {'depth':>5}")
-    print("-" * 75)
+    header = f"{'#':>3} | {'Run ID':>20} | {'n_est':>6} | {'depth':>5}"
+    for m in metric_cols:
+        header += f" | {m[:14]:>14}"
+    print(header)
+    print("-" * len(header))

    for i, run in enumerate(runs):
        run_id = run.info.run_id
-        acc = run.data.metrics.get(args.metric, 0)
        n_est = run.data.params.get("n_estimators", "—")
        depth = run.data.params.get("max_depth", "—")
-        print(f"{i+1:>3} | {run_id:>36} | {acc:>9.4f} | {n_est:>6} | {depth:>5}")
+        row = f"{i+1:>3} | {run_id[:20]:>20} | {str(n_est):>6} | {str(depth):>5}"
+        for m in metric_cols:
+            v = run.data.metrics.get(m)
+            row += f" | {v:>14.4f}" if v is not None else f" | {'—':>14}"
+        print(row)

    best = runs[0]
-    print(f"\n🏆 Лучший: accuracy={best.data.metrics.get(args.metric, 0):.4f}")
+    print(f"\n🏆 Лучший по {args.metric}: {best.data.metrics.get(args.metric, 0):.4f}")
+    # Покажем recall лучшего, если он залогирован
+    for rm in ("recall_macro", "test_recall_macro", "manual_recall_macro"):
+        rv = best.data.metrics.get(rm)
+        if rv is not None:
+            print(f"   {rm} = {rv:.4f}")


 if __name__ == "__main__":
@@ -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"   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}")
@@ -104,6 +104,7 @@ def main():
            y_pred = model.predict(X_test)
            test_acc = accuracy_score(y_test, y_pred)
            test_recall = recall_score(y_test, y_pred, average="macro")
+            test_recall_weighted = recall_score(y_test, y_pred, average="weighted")
            test_precision = precision_score(y_test, y_pred, average="macro")
            test_f1 = f1_score(y_test, y_pred, average="macro")

@@ -112,6 +113,7 @@ def main():
            mlflow.log_metric("cv_std_accuracy", cv_scores.std())
            mlflow.log_metric("test_accuracy", test_acc)
            mlflow.log_metric("test_recall_macro", test_recall)
+            mlflow.log_metric("test_recall_weighted", test_recall_weighted)
            mlflow.log_metric("test_precision_macro", test_precision)
            mlflow.log_metric("test_f1_macro", test_f1)

@@ -129,7 +131,7 @@ def main():
            filled = int(bar_len * (i + 1) / len(combos))
            bar = "█" * filled + "░" * (bar_len - filled)
            print(f"\r  [{bar}] {i+1}/{len(combos)} | "
-                  f"acc={test_acc:.4f} | {run_name[:40]:<40}", end="")
+                  f"acc={test_acc:.4f} rec={test_recall:.4f} | {run_name[:38]:<38}", end="")

    print(f"\n\n{'='*60}")
    print(f"🏆 Лучший результат:")
@@ -29,10 +29,25 @@ def main():
        print("   Сначала запустите train_simple.py и register_model.py")
        return

-    # Делаем предсказание на нескольких образцах
+    # --- Качество на отложенной тестовой выборке (как в train_simple.py) ---
+    from sklearn.model_selection import train_test_split
+    from sklearn.metrics import accuracy_score, recall_score
+
    digits = load_digits()
    X, y = digits.data, digits.target
+    X_train, X_test, y_train, y_test = train_test_split(
+        X, y, test_size=0.2, random_state=42
+    )
+    y_pred = model.predict(X_test)
+    acc = accuracy_score(y_test, y_pred)
+    recall_macro = recall_score(y_test, y_pred, average="macro")
+    recall_weighted = recall_score(y_test, y_pred, average="weighted")
+    print(f"\n📈 Качество загруженной модели на тесте ({len(y_test)} образов):")
+    print(f"   Accuracy:          {acc:.4f}")
+    print(f"   Recall (macro):    {recall_macro:.4f}")
+    print(f"   Recall (weighted): {recall_weighted:.4f}")

+    # --- Демо: предсказание на нескольких случайных образцах ---
    n_samples = 5
    indices = np.random.choice(len(X), n_samples, replace=False)
    samples = X[indices]
@@ -46,8 +61,8 @@ def main():
        ok = "✅" if predictions[i] == true_labels[i] else "❌"
        print(f"{i+1:>6} | {true_labels[i]:>8} | {predictions[i]:>14} | {ok}")

-    acc = np.mean(predictions == true_labels)
-    print(f"\nТочность на {n_samples} образцах: {acc:.2%}")
+    demo_acc = np.mean(predictions == true_labels)
+    print(f"\nТочность на {n_samples} образцах: {demo_acc:.2%}")


 if __name__ == "__main__":
@@ -1,8 +1,12 @@
 """
 Урок 3: Model Registry — управление версиями моделей
 =====================================================
-Ищет лучший run по метрике accuracy, регистрирует модель
-в Model Registry и переводит её в стадию Production.
+Ищет лучший run по заданной метрике (по умолчанию accuracy),
+регистрирует модель в Model Registry и переводит её в стадию Production.
+
+Можно выбирать лучшую модель по recall:
+    python src/register_model.py --experiment digits_classification --metric recall_macro
+    python src/register_model.py --experiment sweep_digits          --metric test_recall_macro

 Запуск:
    python src/register_model.py --experiment digits_classification
@@ -2,11 +2,15 @@
 Урок 2: MLflow + PyTorch на GPU (RTX 3090)
 =============================================
 Обучаем CNN на MNIST. Автоматически использует CUDA если доступна,
-иначе — CPU. Все параметры, метрики и модель логируются в MLflow.
+иначе — CPU. На Apple Silicon используется MPS.
+Все параметры, метрики и модель логируются в MLflow.

-Запуск на 3090:
+Запуск на 3090 (CUDA):
    python src/train_gpu.py --epochs 10 --batch-size 256 --lr 0.001

+Запуск на Apple Silicon (MPS):
+    python src/train_gpu.py --epochs 5 --batch-size 128 --lr 0.001
+
 Запуск на CPU (для теста):
    python src/train_gpu.py --epochs 2 --batch-size 64 --lr 0.01
 """
@@ -17,15 +21,21 @@ import time
 import matplotlib
 matplotlib.use("Agg")
 import matplotlib.pyplot as plt
+import numpy as np
 import torch
 import torch.nn as nn
 import torch.optim as optim
 from torch.utils.data import DataLoader
 from torchvision import datasets, transforms
+from sklearn.metrics import recall_score

 import mlflow
 import mlflow.pytorch

+# 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")
+

 # ─── Модель: простая CNN ───
 class SimpleCNN(nn.Module):
@@ -52,6 +62,15 @@ class SimpleCNN(nn.Module):
        return self.classifier(x)


+def get_device() -> torch.device:
+    """Выбор устройства: CUDA -> MPS (Apple Silicon) -> CPU."""
+    if torch.cuda.is_available():
+        return torch.device("cuda")
+    if getattr(torch.backends, "mps", None) is not None and torch.backends.mps.is_available():
+        return torch.device("mps")
+    return torch.device("cpu")
+
+
 def main():
    parser = argparse.ArgumentParser(description="MLflow + PyTorch GPU demo")
    parser.add_argument("--epochs", type=int, default=5)
@@ -60,13 +79,16 @@ def main():
    parser.add_argument("--experiment-name", type=str, default="mnist_cnn_gpu")
    args = parser.parse_args()

-    # ─── Устройство ───
-    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    # ─── Устройство: CUDA -> MPS -> CPU ───
+    device = get_device()
    print(f"🖥️  Устройство: {device}")
+    gpu_name = None
    if device.type == "cuda":
        gpu_name = torch.cuda.get_device_name(0)
        gpu_mem = torch.cuda.get_device_properties(0).total_memory / 1e9
        print(f"   GPU: {gpu_name} ({gpu_mem:.1f} GB)")
+    elif device.type == "mps":
+        print("   Apple Silicon GPU (MPS)")

    # ─── MLflow эксперимент ───
    mlflow.set_experiment(args.experiment_name)
@@ -80,9 +102,22 @@ def main():
    os.makedirs(data_dir, exist_ok=True)
    train_ds = datasets.MNIST(data_dir, train=True, download=True, transform=transform)
    test_ds = datasets.MNIST(data_dir, train=False, download=True, transform=transform)
-    train_loader = DataLoader(train_ds, batch_size=args.batch_size, shuffle=True, num_workers=4)
-    test_loader = DataLoader(test_ds, batch_size=args.batch_size, shuffle=False, num_workers=4)
-    print(f"📊 Train: {len(train_ds)}, Test: {len(test_ds)}")
+
+    # num_workers: на macOS с MPS многопроцессная загрузка нестабильна
+    # (fork + MPS) → используем 0 воркеров на mac, 4 на Linux/CUDA.
+    import platform
+    num_workers = 0 if platform.system() == "Darwin" else 4
+    pin_memory = device.type == "cuda"
+    train_loader = DataLoader(
+        train_ds, batch_size=args.batch_size, shuffle=True,
+        num_workers=num_workers, pin_memory=pin_memory,
+    )
+    test_loader = DataLoader(
+        test_ds, batch_size=args.batch_size, shuffle=False,
+        num_workers=num_workers, pin_memory=pin_memory,
+    )
+    print(f"📊 Train: {len(train_ds)}, Test: {len(test_ds)}  "
+          f"(num_workers={num_workers}, pin_memory={pin_memory})")

    # ─── MLflow run ───
    with mlflow.start_run(run_name=f"cnn_e{args.epochs}_bs{args.batch_size}") as run:
@@ -130,6 +165,7 @@ def main():
            # ─── Валидация ───
            model.eval()
            correct, total = 0, 0
+            all_preds, all_targets = [], []
            with torch.no_grad():
                for data, target in test_loader:
                    data, target = data.to(device), target.to(device)
@@ -137,18 +173,28 @@ def main():
                    pred = output.argmax(dim=1)
                    correct += (pred == target).sum().item()
                    total += target.size(0)
+                    all_preds.append(pred.cpu())
+                    all_targets.append(target.cpu())

            acc = correct / total
+            # Recall (macro) — полнота по всем классам MNIST
+            recall_macro = recall_score(
+                torch.cat(all_targets).numpy(),
+                torch.cat(all_preds).numpy(),
+                average="macro",
+                zero_division=0,
+            )
            test_accs.append(acc)
            elapsed = time.time() - t0

            # Логируем метрики по эпохам
            mlflow.log_metric("train_loss", avg_loss, step=epoch)
            mlflow.log_metric("test_accuracy", acc, step=epoch)
+            mlflow.log_metric("test_recall_macro", recall_macro, step=epoch)
            mlflow.log_metric("epoch_time_sec", elapsed, step=epoch)

            print(f"  → Epoch {epoch+1}: loss={avg_loss:.4f}, "
-                  f"acc={acc:.4f}, time={elapsed:.1f}s")
+                  f"acc={acc:.4f}, recall={recall_macro:.4f}, time={elapsed:.1f}s")

        # ─── График обучения ───
        fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
@@ -166,17 +212,20 @@ def main():
        plt.close(fig)

        # ─── Логируем модель ───
+        # input_example — numpy ndarray (MLflow 3.x не принимает torch.Tensor).
+        # Форма как у входа модели: (batch, channels, H, W) = (1, 1, 28, 28).
        mlflow.pytorch.log_model(
            model,
-            artifact_path="model",
+            name="model",                          # name вместо устаревшего artifact_path
            registered_model_name=None,
-            input_example=torch.randn(1, 1, 28, 28).to(device),
+            input_example=np.random.rand(1, 1, 28, 28).astype(np.float32),
        )

        # ─── Теги ───
        mlflow.set_tag("model_type", "SimpleCNN")
        mlflow.set_tag("framework", "PyTorch")
        mlflow.set_tag("dataset", "MNIST")
+        mlflow.set_tag("device_type", device.type)

        final_acc = test_accs[-1]
        print(f"\n✅ Обучение завершено!")
@@ -15,12 +15,17 @@ import matplotlib.pyplot as plt
 import numpy as np
 from sklearn.datasets import load_digits
 from sklearn.ensemble import RandomForestClassifier
-from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
+from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, recall_score
 from sklearn.model_selection import train_test_split

 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")
+from mlflow.models.signature import infer_signature
+

 def main():
    parser = argparse.ArgumentParser(description="MLflow + scikit-learn demo")
@@ -62,10 +67,16 @@ def main():
        # --- Предсказание и метрики ---
        y_pred = model.predict(X_test)
        acc = accuracy_score(y_test, y_pred)
+        recall_macro = recall_score(y_test, y_pred, average="macro")
+        recall_weighted = recall_score(y_test, y_pred, average="weighted")
        print(f"Accuracy:         {acc:.4f}")
+        print(f"Recall (macro):    {recall_macro:.4f}")
+        print(f"Recall (weighted): {recall_weighted:.4f}")

        # Логируем метрики
        mlflow.log_metric("accuracy", acc)
+        mlflow.log_metric("recall_macro", recall_macro)
+        mlflow.log_metric("recall_weighted", recall_weighted)
        # можно логировать несколько шагов (для графиков в UI)
        for i, tree in enumerate(model.estimators_):
            tree_acc = accuracy_score(y_test, tree.predict(X_test))
@@ -92,10 +103,13 @@ def main():
            f.write(report)
        mlflow.log_artifact(report_path)

-        # --- Логируем саму модель ---
+        # --- Логируем саму модель (с сигнатурой и примером входа) ---
+        signature = infer_signature(X_test[:5], model.predict(X_test[:5]))
        mlflow.sklearn.log_model(
            model,
-            artifact_path="model",
+            name="model",                          # name вместо устаревшего artifact_path
+            signature=signature,                   # явная сигнатура модели
+            input_example=X_test[:5],              # пример входа → убирает warning
            registered_model_name=None,            # регистрация — в отдельном скрипте
        )

@@ -1,21 +1,40 @@
 #!/bin/bash
 # ============================================================
-#  Запуск MLflow Tracking Server с SQLite backend
-#  Откройте в браузере: http://localhost:5000
+#  Запуск MLflow Tracking Server
+#  Откройте в браузере: http://localhost:5555
+#
+#  Backend store = file://$(pwd)/mlruns  (тот же каталог, куда скрипты
+#  пишут по умолчанию). Поэтому UI видит все эксперименты/запуски
+#  без доп. настройки tracking URI в скриптах.
+#
+#  Альтернатива — SQLite-бэкенд (нужен, только если хотите SQL-запросы
+#  к запускам). Тогда раскомментируйте блок SQLITE ниже и закомментируйте
+#  FILE, а в скриптах задайте mlflow.set_tracking_uri("http://localhost:5555")
+#  (или export MLFLOW_TRACKING_URI=http://localhost:5555).
 # ============================================================
 set -e
 cd "$(dirname "$0")"

+PORT=5555
+
 echo "🚀 Запускаем MLflow Tracking Server..."
-echo "   UI:  http://localhost:5000"
-echo "   DB:  sqlite:///mlflow.db"
-echo "   Artifacts: ./artifacts"
+echo "   UI:    http://localhost:${PORT}"
+echo "   Store: file://${PWD}/mlruns"
+echo "   Artifacts: file://${PWD}/artifacts"
 echo ""
 echo "   Нажмите Ctrl+C для остановки"
 echo ""

+# ─── FILE backend (по умолчанию — единое хранилище со скриптами) ───
 mlflow server \
-    --backend-store-uri sqlite:///mlflow.db \
-    --default-artifact-root ./artifacts \
+    --backend-store-uri "file://${PWD}/mlruns" \
+    --default-artifact-root "file://${PWD}/artifacts" \
    --host 0.0.0.0 \
-    --port 5000
+    --port "${PORT}"
+
+# ─── SQLITE backend (альтернатива — см. комментарий в шапке) ──────
+# mlflow server \
+#     --backend-store-uri sqlite:///mlflow.db \
+#     --default-artifact-root ./artifacts \
+#     --host 0.0.0.0 \
+#     --port "${PORT}"