Простой текстовый редактор в GraphWPFuses GraphWPF;var (x,y) := (0.0,0.0);procedure KeyPress(c: char);begin if c = ' ' then c := Chr($A0); TextOut(x,y,c); x += TextWidth(c);end;procedure KeyDown(k: Key);begin case k of Key.Enter: begin x := 0; y += TextHeight('q'); end; Key.Back: if x > 0 then begin x -= TextWidth('n'); FillRectangle(x,y,TextWidth('n'),TextHeight('n')); end; end;end;begin Font.Size := 20; Font.Name := 'Consolas'; OnKeyPress := KeyPress; OnKeyDown := KeyDown;end.Демонстрация событий клавиатуры в GraphWPF для создания игрушечного текстового редактора.Можно набирать текст, стирать последний символ, используя BackSpace, и переходить на следующую строку
Табличная предобработка: Imputer и OrdinalEncoderОдин из важных этапов работы с табличными данными — предобработка: заполнение пропусков, кодирование категориальных признаков, масштабирование числовых данных и другие преобразования.Пример: сначала заполним пропуск в числовом столбце population средним значением, а затем закодируем категориальный столбец region числами.uses MLABC;begin var df := DataFrame.FromCsvText('''city,population,regionРостов-на-Дону,1142,ЮгТаганрог,NA,ЮгВоронеж,1058,ЦентрКурск,452,ЦентрБелгород,392,Центр'''); Println('Исходные данные:'); df.Print; Println; // Заполняем пропуск в числовом столбце средним значением var imp := new Imputer(['population']); df := imp.FitTransform(df); // Кодируем названия регионов числами 0, 1, 2, ... var encoder := new OrdinalEncoder('region'); df := encoder.FitTransform(df); Println('После Imputer и OrdinalEncoder:'); df.Print;end.Вывод:Исходные данные: city population region Ростов-на-Дону 1142 Юг Таганрог NA Юг Воронеж 1058 Центр Курск 452 Центр Белгород 392 Центр После Imputer и OrdinalEncoder: city population region Ростов-на-Дону 1142.00 0 Таганрог 761.00 0 Воронеж 1058.00 1 Курск 452.00 1 Белгород 392.00 1 Imputer анализирует данные на этапе Fit и запоминает значение, которым нужно заменить пропуски. В данном примере для столбца population используется среднее значение.OrdinalEncoder преобразует строковые категории в числовые коды: разные значения столбца region получают номера 0, 1, 2, ...Такой подход реализует привычную для ML-библиотек схему Fit/Transform: сначала объект настраивается по данным, затем применяет преобразование к таблице.#MLABC
Не надо слов, не надо паники(это мой последний день на Титанике 🚢)В новой библиотеке ML для PascalABC.NET появился встроенный датасет TitanicRu — классическая задача бинарной классификации: предсказать, выжил пассажир или нет.Причём поля датасета уже русифицированы:● Возраст● Пол● Класс● ЦенаБилета● ПортПосадки● Выжили т.д.Ниже — полный пример ML pipeline:● загрузка датасета,● обработка пропусков,● кодирование категориальных признаков,● разделение train/test,● нормализация,● обучение моделей,● сравнение качества.uses MLABC;begin var ds := Datasets.TitanicRu; var df := ds.Data.Drop(['Id', 'Имя']); // Заполняем пропуски var ageImputer := new Imputer(['Возраст']); df := ageImputer.FitTransform(df); var portImputer := new Imputer('Саутгемптон', ['ПортПосадки']); df := portImputer.FitTransform(df); // Кодируем категориальные признаки числами. var sexEncoder := new LabelEncoder('Пол'); df := sexEncoder.FitTransform(df); var portEncoder := new LabelEncoder('ПортПосадки'); df := portEncoder.FitTransform(df); var features := ['Класс', 'Пол', 'Возраст', 'БратьяИСупруги', 'РодителиИДети', 'ЦенаБилета', 'ПортПосадки']; var X := df.ToMatrix(features); var y := df.GetIntColumn('Выжил'); var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, testRatio := 0.2, seed := 42); var scaler := new StandardScaler; scaler.Fit(Xtrain); var XtrainScaled := scaler.Transform(Xtrain); var XtestScaled := scaler.Transform(Xtest); var lr := new LogisticRegression( learningRate := 0.01, epochs := 2000 ); lr.Fit(XtrainScaled, ytrain); var predLR := lr.Predict(XtestScaled); var tree := new DecisionTreeClassifier( maxDepth := 5, minSamplesLeaf := 3, minSamplesSplit := 6 ); tree.Fit(Xtrain, ytrain); var predTree := tree.Predict(Xtest); var forest := new RandomForestClassifier( nTrees := 100, maxDepth := 6, minSamplesLeaf := 3, minSamplesSplit := 6 ); forest.Fit(Xtrain, ytrain); var predForest := forest.Predict(Xtest); Prin
Новый метод последовательностей DistinctAdjacentВ стандартной библиотеке последовательностей появился новый метод: DistinctAdjacent.Он удаляет только подряд идущие одинаковые элементы, в отличие от обычного Distinct, который убирает все повторы.Пример с числамиbegin Seq(1,1,2,2,2,3,1,1).DistinctAdjacent.Printlnend.Результат:1 2 3 1Пример со строкойbegin var s := 'aaabbbcca'.ToCharArray; s.DistinctAdjacent.Printlnend.Результат:a b c aПример с логамиbegin var logs := Seq('INFO','INFO','WARN','WARN','ERROR','INFO'); logs.DistinctAdjacent.Printlnend.Результат:INFO WARN ERROR INFOКогда это полезно* очистка логов от повторяющихся подряд сообщений* сжатие последовательностей (run-length preprocessing)* обработка сигналов и данных с “залипанием” значенийМетод работает за один проход и не требует дополнительной памяти под множество — только сравнение с предыдущим элементом.#новое
Scan в PascalABC.NET — строим путь по шагамОдна из самых недооценённых функций в работе с последовательностями — это Scan.Она позволяет не просто «посчитать итог», а увидеть, как меняется состояние на каждом шаге.📌 Пример — строим путь по последовательности шагов:begin var steps := Seq((1,0),(0,1),(1,0),(0,-1),(0,-1),(-1,0),(0,1),(0,1)); steps.Scan((p, step) -> (p[0] + step[0], p[1] + step[1])).Printend.📊 Что происходит:(1,0) → стартзатем добавляем каждый следующий шагполучаем всю траекторию движения👉 Результат — последовательность координат:(1,0) (1,1) (2,1) (2,0) (2,-1) (1,-1) (1,0) (1,1)
🔍 Поиск выхода из лабиринта (DFS + backtracking)Классическая задача: есть лабиринт → нужно найти путь от старта к выходу.Решение — через DFS с откатом (backtracking):* идём в глубину* помечаем посещённые вершины* если зашли в тупик — откатываемся назадfunction FindPath(graph: List<List<integer>>; visited: array of boolean; path: List<integer>; v, finish: integer): boolean;begin path.Add(v); visited[v] := True; if v = finish then exit(True); foreach var toV in graph[v] do if not visited[toV] then if FindPath(graph, visited, path, toV, finish) then exit(True); path.RemoveAt(path.Count - 1); Result := False;end;begin // 3x3 лабиринт (граф) var graph := Lst( Lst(1,3), Lst(0,2,4), Lst(1,5), Lst(0,4,6), Lst(1,3,5), Lst(2,4,8), Lst(3,7), Lst(6,8), Lst(5,7) ); var n := graph.Count; var visited := n *[False]; var path := new List<integer>; if FindPath(graph, visited, path, 0, 8) then Println(path.JoinToString(' -> ')) else Println('No path');end.💡 Что важно:* path.RemoveAt(...) — ключевой шаг отката* Lst(...) удобно задаёт граф декларативно📌 Такой код — отличный мост:школьные задачи → графы → алгоритмы поиска → основы AI/ML
🌳 Рекурсия на примере идеально сбалансированного дереваtype Node<T> = auto class public Value: T; Left, Right: Node<T>; end;function RandomTree(n: integer): Node<integer>;begin if n = 0 then Result := nil else Result := new Node<integer>( Random(100), RandomTree((n - 1) div 2), RandomTree(n - 1 - (n - 1) div 2) );end;procedure Infix<T>(r: Node<T>; act: Action<T>);begin if r = nil then exit; Infix(r.Left, act); act(r.Value); Infix(r.Right, act);end;begin var root := RandomTree(10); Infix(root, x -> Print(x));end.💡 Что здесь происходит1. Идеально сбалансированное деревоФункция RandomTree(n) строит дерево из n узлов так, чтобы:* левое поддерево получает (n - 1) div 2 узлов* правое — остальныеРазница размеров поддеревьев не больше 1 ⇒ дерево максимально «ровное» по высоте.2. Рекурсия* База: n = 0 → nil* Шаг: создаём узел и рекурсивно строим левое и правое поддеревьяТо же самое в обходе:* если узел пустой — выходим* иначе обходим левое поддерево → текущий узел → правое3. Инфиксный обход (LNR)Порядок:👉 Left → Node → RightЭто означает:* сначала все элементы слева* затем текущий* затем справа#pascalabc #рекурсия #деревья
Гистограмма распределения ценuses MLABC, PlotML;begin var ds := Datasets.MoscowHousing; var df := ds.Data; var price := df.ToVector(ds.Target); Plot.Hist(price, bins := 40); Plot.Title := 'Распределение цен на квартиры в Москве'; Plot.XLabel('Цена (руб)'); Plot.YLabel('Количество');end.Гистограмма показывает, как часто встречаются значения из набора данных.В данном случае:• по оси X — цена квартиры• по оси Y — количество квартир с такой ценойКаждый столбец (bin) — это интервал цен.По гистограмме можно:• понять, в каком диапазоне находится большинство значений• увидеть редкие значения (очень дешёвые или очень дорогие квартиры)• оценить форму распределения (например, симметричное или с «длинным хвостом» вправо)Это базовый инструмент анализа данных перед построением моделей.#MLABC
Машинное обучение в PascalABC.NET: логистическая регрессияПродолжаем серию практических постов по ML-библиотеке в PascalABC.NET.В этом посте — первый полный пример: обучение и применение модели.Разберём пример на классическом датасете Iris 🌸uses MLABC;begin var ds := Datasets.Iris; var df := ds.Data; var X := df.ToMatrix(ds.Features); var y := df.EncodeLabels(ds.Target); var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, 0.2, 1); var model := new LogisticRegression; model.Fit(Xtrain, ytrain); var pred := model.Predict(Xtest); Println('Accuracy:', Metrics.Accuracy(ytest, pred):0:3);end.🔍 Что здесь происходит1. Загрузка данных▪️ Datasets.Iris — встроенный датасет▪️ df — табличное представление (DataFrame)2. Подготовка признаков▪️ ToMatrix → преобразование в Matrix (числовое ядро)▪️ EncodeLabels → кодирование классов в Vector<int>3. Разбиение▪️ TrainTestSplit → контроль воспроизводимости через seed4. Модель▪️ LogisticRegression▫️ мультиклассовая (softmax)▫️ работает через Matrix/Vector▫️ типобезопасная реализация5. Обучение и предсказание▪️ Fit → обучение▪️ Predict → классы6. Метрика▪️ Metrics.Accuracy → базовая проверка качества💡 ВажноЭто не “обёртка над Python”, а нативная ML-библиотека на PascalABC.NET:▪️ все шаги явно прописаны в коде (нет скрытых преобразований)▪️ данные и модели имеют строгие типы (Matrix, Vector<int>)▪️ результат полностью воспроизводим (за счёт фиксированного seed)
📊 Синтетические датасеты в PascalABC.NET: MakeBlobsИногда для демонстрации алгоритмов или отладки ML-моделей нужны простые и наглядные данные. Вместо поиска реальных датасетов удобно генерировать их самостоятельно.В модуле MLABC есть классический генератор — MakeBlobs.Он создаёт точки, сгруппированные в кластеры (как в задачах кластеризации и классификации).🔹 Что делает MakeBlobs:* генерирует заданное число точек* разбивает их на кластеры* добавляет контролируемый шум* возвращает: * X — координаты точек * y — метки кластеров🔹 Пример + визуализация через PlotML:uses MLABC, PlotML;begin var centers := 3; var (X,y) := Datasets.MakeBlobs( n := 600, centers := centers, clusterStd := 0.8, seed := 1 ); Plot.Title := 'MakeBlobs синтетический датасет'; var xs := X.Col(0); var ys := X.Col(1); Plot.Points(xs, ys, LabelsToInts(y), size := 4);end.🔹 Ключевые параметры:* n — число точек* centers — число кластеров* clusterStd — разброс внутри кластера* seed — фиксирует генерацию (важно для воспроизводимости)💡 Где это полезно:* объяснение кластеризации (k-means, DBSCAN)* тестирование моделей классификации* демонстрации на лекциях* отладка пайплайнов
ML в PascalABC.NET — стартВ PascalABC.NET появилась новая библиотека машинного обучения — ML PascalABC.NET.Она спроектирована как полноценный промышленный стек: с чёткой архитектурой, типобезопасностью и без внешних зависимостей.Начинаем с базовых примеров.📊 Стандартный датасет Iris + PairPlot визуализацияuses MLABC, PlotML;begin var ds := Datasets.Iris; var df := ds.Data; var X := df.ToMatrix(ds.Features); var labels := df.EncodeLabels(ds.Target); Plot.PairPlot(X, labels, ds.Features); Plot.Title := 'Iris: пары признаков';end.💡 Что здесь важно:— Загрузка готового датасета (Datasets.Iris)— Работа через DataFrame (ds.Data)— Выделение матрицы признаков (ToMatrix)— Кодирование целевой переменной (EncodeLabels)— Визуализация через PairPlot📌 PairPlot — базовый инструмент разведочного анализа данных (EDA):он показывает распределения признаков и их попарные зависимости, что позволяет быстро увидеть структуру данных и разделимость классов.Дальше будут:— обучение моделей— метрики— пайплайны— практические кейсыНачинаем двигаться к полноценному ML прямо в PascalABC.NET.
PrintPreview для DataFrameОбратите внимание, как выводит данные PrintPreview: выводится 3 строки - примерно половина из начала датасета и оставшаяся часть - из конца.uses DataFrameABC;begin var df := DataFrame.FromCsvText(''' name,age,score Alice,20,85 Bob,22,90 Charlie,21,78 Bob,22,90 Clara,,78 Kat,21,NA '''); df.PrintPreview(3);end.
Left Join в DataFrameABCРанее мы показывали Inner Join — он оставляет только те строки, для которых ключи есть в обеих таблицах.Теперь посмотрим на Left Join, который ведёт себя иначе.Left Join сохраняет все строки из левой таблицы, даже если для них нет совпадения в правой.// Left Joinuses DataFrameABC;begin var students := DataFrame.FromCsvText(''' id,name 1,Alice 2,Bob 3,Charlie '''); var scores := DataFrame.FromCsvText(''' id,score 1,85 2,90 4,70 '''); students.Join(scores, 'id', jkLeft).Print;end.Результат:id name score 1 Alice 85 2 Bob 90 3 Charlie NAЗдесь:* Alice и Bob получили свои score* Charlie сохранился, но значение score — NA* строка id = 4 из таблицы scores не попала в результатЭто главное отличие от Inner Join, где строка Charlie исчезла бы из результата.
Inner Join в DataFrameABCИногда данные находятся в разных таблицах, и их нужно объединить по общему ключу. Для этого используется Inner Join — соединение, которое оставляет только те строки, где ключ присутствует в обеих таблицах.// Inner Joinuses DataFrameABC;begin var students := DataFrame.FromCsvText(''' id,name 1,Alice 2,Bob 3,Charlie '''); var scores := DataFrame.FromCsvText(''' id,score 1,85 2,90 4,70 '''); students.Join(scores, 'id').Print;end.Результат:id name score1 Alice 852 Bob 90Что произошло:* соединение выполняется по столбцу id* строка id = 3 отсутствует в таблице scores, поэтому она исключается* строка id = 4 отсутствует в таблице students, поэтому она тоже исключаетсяТаким образом, Inner Join оставляет только пересечение ключей.Такой тип соединения — один из самых используемых в анализе данных: объединение пользователей и заказов, студентов и оценок, товаров и продаж и т.д.#MachineLearning
DataFrameABC - группировка с последующим вычислением групповой операцииВ DataFrame можно сгруппировать данные по какому то столбцу, после чего вычислить какую-нибудь групповую характеристику для элементов группы.На скрине - вычисление среднего score в каждой группе людей с одним возрастом.
