Metadata-Version: 2.4
Name: dipolar-network
Version: 0.2.1
Summary: A library for constructing dipolar separating hyperplanes
Author-email: Michal Dziekonski <mimi020001@gmail.com>
Project-URL: Homepage, https://github.com/mimiaczekpluszaczek/dipolar_network
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Requires-Python: >=3.7
Description-Content-Type: text/markdown
License-File: LICENCE
Requires-Dist: numpy
Requires-Dist: scikit-learn
Dynamic: license-file

# Dipolar Network

Lekka i wydajna biblioteka Python do konstruowania **Dipolowych Hiperpłaszczyzn Separujących** (Dipolar Separating Hyperplanes). Biblioteka wykorzystuje algorytm konstruktywny do tworzenia odcinkami liniowych granic decyzyjnych dla zadań klasyfikacji binarnej.

Narzędzie oferuje zarówno czyste **API w Pythonie** do integracji z własnymi skryptami, jak również **Interfejs Wiersza Poleceń (CLI)** do szybkiego użycia w terminalu.

## 📦 Instalacja

Możesz zainstalować bibliotekę bezpośrednio z repozytorium PyPI:

```bash
pip install dipolar-network
```

## 🚀 Szybki Start (Terminal / CLI)

Po zainstalowaniu biblioteki, komenda dipolar-network jest dostępna globalnie w systemie. Pozwala ona na szybkie trenowanie sieci na plikach CSV i eksportowanie wyników do formatu JSON.

---
**Podstawowe użycie**  
Wytrenuj sieć na pliku dane.csv i zapisz parametry modelu do wyniki.json (używając domyślnych ustawień):
```bash
dipolar-network dane.csv wyniki.json
```

---
**Użycie zaawansowane**  
Dostosuj proces treningu, definiując maksymalną liczbę warstw, neuronów oraz limity czasowe i dokładność:
```bash
dipolar-network dane.csv model.json -l 5 -n 8 -t 15.0 -a 0.98
```

---

**Dostępne argumenty:**

| Argument | Flaga (Skrót) | Typ | Domyślnie | Opis |
| :--- | :--- | :--- | :--- | :--- |
| **Input CSV** | (Pozycyjny) | `str` | *Wymagane* | Ścieżka do pliku wejściowego z danymi (.csv). |
| **Output JSON** | (Pozycyjny) | `str` | *Wymagane* | Ścieżka, gdzie zostanie zapisany wynikowy plik (.json). |
| **Layers** | `-l`, `--layers` | `int` | `3` | Maksymalna liczba warstw (głębokość sieci). |
| **Neurons** | `-n`, `--neurons` | `int` | `10` | Liczba neuronów na jedną warstwę. |
| **Time Limit** | `-t`, `--time` | `float` | `10.0` | Limit czasu obliczeń na jedną warstwę (w sekundach). |
| **Accuracy** | `-a`, `--accuracy` | `float` | `1.0` | Docelowa dokładność treningu (wartość od 0.0 do 1.0). |


## 🐍 Użycie w kodzie Python (API)
Bibliotekę można łatwo zintegrować z istniejącym kodem w Pythonie, np. w ramach analizy danych w Jupyter Notebook.

```python
import numpy as np
from dipolar.network import DipolarNetwork

# 1. Przygotowanie danych 
# X: macierz cech (współrzędne punktów)
# y: wektor etykiet (0 lub 1, ewentualnie -1 lub 1)
X = np.array([[1.2, 3.4], [2.1, 0.5], [-1.0, 2.2]])
y = np.array([0, 0, 1])

# 2. Inicjalizacja modelu
# Konfigurujemy maksymalną strukturę sieci
model = DipolarNetwork(max_layers=5, neurons_per_layer=3)

# 3. Trening
# time_limit określa czas (w sekundach) na optymalizację jednej warstwy
model.fit(X, y, time_limit=5.0, target_accuracy=1.0)

# 4. Pobranie parametrów modelu
# Zwraca listę warstw z wagami, biasem i sformatowanym równaniem
params = model.get_parameters()

# 5. Wyświetlenie struktury
for i, layer in enumerate(params):
    print(f"Warstwa {i+1}:")
    for neuron in layer:
        print(f"  -> {neuron['equation']}")
```

## 📂 Formaty danych

**Plik wejściowy (CSV)**

Biblioteka oczekuje pliku tekstowego oddzielonego przecinkami. Plik może (ale nie musi) zawierać nagłówka. Wymagane są co najmniej 3 kolumny:

1. Cecha 1 (współrzędna x)
2. Cecha 2 (współrzędna y)
3. Etykieta klasy (-1/1)

**Przykład** (dane.csv):
```csv
x1,x2,label
-1.96163,-0.89869,-1.00000
-0.52919,0.66772,-1.00000
2.34700,0.81597,1.00000
1.51935,0.59442,1.00000
```

---

**Plik Wynikowy (JSON)**

Plik wyjściowy zawiera pełną matematyczną definicję granic decyzyjnych. Dane są zorganizowane jako lista warstw, gdzie każda warstwa zawiera listę neuronów (hiperpłaszczyzn).

```json
[
    [
        {
            "weights": [0.95, 0.09],
            "bias": -0.12,
            "equation": "0.950x + 0.090y + -0.120 = 0"
        }
    ],
    [
        {
            "weights": [-0.5, 1.2],
            "bias": 0.5,
            "equation": "-0.500x + 1.200y + 0.500 = 0"
        }
    ]
]
```
## 🔄 Historia Zmian

### v0.2.1 (2024-01-06)
* 📊 **Rozszerzone raportowanie:** Plik JSON zawiera teraz szczegółowe statystyki (czas, dokładność %) oraz informacje o danych (liczba próbek, liczebność klas).
* 🖥️ **Ulepszone CLI:** Terminal po zakończeniu treningu wyświetla teraz faktyczną skuteczność i czas, zamiast ogólnego komunikatu o sukcesie.
* 🔧 **Refaktoryzacja:** Centralizacja logiki statystyk wewnątrz klasy `DipolarNetwork` (ułatwia integrację z GUI).
* 📝 **Lepsze formatowanie:** Poprawiono generowanie napisów równań (obsługa znaków +/- i dodanie symbolu mnożenia `*`).

### v0.2.0 (2024-01-06)
* 🎉 Dodano obsługę N-wymiarowych danych (nie tylko 2D!).
* 🐛 Naprawiono błąd z metodą `predict` w klasie Neuron.
* ✨ Nowe formatowanie równań (np. `0.5*x1 - 0.2*x2...`).
* 📂 Automatyczne wykrywanie liczby kolumn w pliku CSV.

### v0.1.2
* Dodano obsługę terminala (CLI).


## 📄 Licencja
Ten projekt jest udostępniany na licencji **MIT License**.
