학습

CLI

추천: PyTorch 기반의 Deep MLP (Dropout 및 Weight Decay 필수 적용)
과적합 방지 전략:
- Dropout (0.3 ~ 0.5): 학습 시 뉴런을 의도적으로 꺼서 특정 데이터 암기를 방지한다.
- L2 Regularization (Weight Decay): 가중치가 비정상적으로 커지는 것을 막는다.
- Output Mapping: 최종 출력에 Sigmoid를 걸고 (y * 11) + 1을 적용해 [1, 12] 범위를 강제한다.

{data_dir}/tja의 tja를 파싱한다. ({script_dir}/parse.ts)
oni와 edit course를 factorize하여 {working_dir}/factors.json에 저장한다.
- 이미 존재하면 생략하되, Factor 로직 수정 시 삭제 후 재실행한다.
데이터 표준화(Standardization)를 위한 스케일링 파라미터를 계산하고 {working_dir}/scaler.json에 저장한다.
학습 단계: 전체 데이터 중 train_data_count만큼 데이터를 랜덤하게 추출하여 학습을 진행한다.
- edit 코스는 ura와 매칭하여 오차를 계산한다.
- 모델이 충분히 수렴할 때까지 학습을 수행하며, 기존 모델 존재 시 가중치를 로드하여 업데이트한다.
검증 단계: 학습이 완료된 모델을 대상으로 아래 과정을 수행한다.
- validate_data_count만큼의 데이터를 랜덤하게 추출하여 오차를 계산하고 validate_result_{n}.csv에 저장한다.
- 이 과정을 validate_iterations 횟수만큼 반복한다.
- 재시도 조건: 검증 루프 도중 단 한 번이라도 Mean Absolute Error(MAE)가 margin보다 크다면, 즉시 검증을 중단하고 4번(학습 단계)으로 돌아가 데이터를 새로 샘플링하여 재학습한다.
성공 및 종료: 모든 validate_iterations 회차에서 MAE가 margin 이하일 경우에만 학습 성공으로 간주하고 최종 모델 파일을 저장한다.

밀도 계열:
- 노트 간 시간 간격을 delta라고 할 때, 1 / delta로 순시 밀도를 구한 뒤 최대값(peak)과 평균값(avg)을 도출합니다.
패턴 계열:
- 노트 타입을 배열로 매핑(예: 0=none, 1=don, 2=ka, 3=big_don, 4=big_ka)합니다.
- 슬라이딩 윈도우(예: 4~8개 노트)를 사용하여 인접한 노트의 타입 변화가 잦은 구간을 복합 패턴으로 판정(complex_ratio)합니다.
연타 계열:
- #ROLL 명령 혹은 특정 시간 내에 입력이 몰려있는 노트를 연타로 간주하여 카운트합니다.

factorize.ts에서 각 곡의 Course 데이터를 순회하며 위 지표들을 계산합니다.
계산된 값은 Record<string, number> 형태로 반환하여 학습기에 입력합니다.
모든 Factor는 이상치(Outlier) 처리를 위해 학습 단계에서 StandardScaler 또는 RobustScaler를 반드시 거쳐야 합니다.