EquationMiner/docs/configurazione.md

Configurazione

Tutti i valori sono in config.toml: nessun default nel codice, una chiave mancante è un errore (exit 3). Suffissi nei nomi: _s secondi, _c gradi, _rel frazione della durata del dominio, _sigma multiplo di \sigma, _n / _campioni numero di campioni. Per aggiungere una chiave: config.toml, CHIAVI in config.py, questo documento. Il modulo che la legge è indicato a destra.

Si usa un altro file con fitseg --config altro.toml ….

[dati] — formato del CSV (dati.py)

Chiave	Valore	Significato
colonna_tempo	"t_ms"	nome della colonna del tempo
unita_tempo	"ms" | "s"	unità del tempo nel CSV; internamente tutto è in secondi (A3)
serie	["T_C", "dT_C"]	colonne da approssimare; ognuna ha le sue equazioni, tutte condividono i domini (A4)
separatore	","	separatore dei campi

[domini] — riconoscimento dei domini (domini.py, analisi.py)

Chiave	Default	Significato	Effetto se alzata / abbassata
serie_riferimento	"T_C"	serie in cui si cercano i gradini; deve essere in serie	—
soglia_gradino_c	20.0	salita complessiva minima (somma dei salti dei campioni consecutivi in salita, in °C) per essere un gradino	alta: gradini piccoli non rilevati; bassa: scarti scambiati per gradini (A5)
soglia_bordo_sigma	6.0	un campione è «in salita» se il salto verso il successivo supera \theta_b\,\sigma_d, con \theta_b questa soglia e \sigma_d = 1.4826\,\mathrm{MAD} dei salti (algoritmi.md §3)	alta: i campioni di una salita distribuita non sono riconosciuti tutti; bassa: il rumore genera falsi campioni in salita
distanza_min_salti_campioni	3	campioni in salita a meno di questa distanza (in indici) appartengono alla stessa salita	alta: gradini ravvicinati fusi; bassa: una salita con un campione piatto in mezzo viene spezzata
n_min_punti	6	campioni minimi per fittare un dominio con parametri liberi; sotto → indeterminato	alta: più domini non fittati
n_min_punti_parametri_fissi	4	campioni minimi quando c e \tau sono fissi e si stima solo A (raffreddamenti intermedi corti); sotto → indeterminato. Con 4–7 campioni \sigma non è stimabile (servono 8, A13): il fit si fa comunque, l'adeguatezza no	3: ancora fittabile ma con 1 grado di libertà; alta: tratti corti tra gradini ravvicinati restano indeterminati
scarta_dopo_salto_n	0	campioni esclusi dal fit all'inizio di ogni raffreddamento. 0 perché la salita è già nel dominio di riscaldamento: su 45 seed con 0 gli errori su A, \tau e salti sono i migliori e i tratti indeterminati i meno numerosi; con 2 peggiorano molto	alta: perde campioni del decadimento (e rende indeterminati i tratti corti)

[fit] — regressione e scelta (fit.py, analisi.py)

Chiave	Default	Significato
raffreddamento_intermedio_fissa_da_finale	["c", "tau"]	parametri che i raffreddamenti intermedi prendono dal raffreddamento finale (algoritmi.md §5b). [] = tutti liberi. Nomi ammessi: quelli del modello (c, A, tau)
perdita	"soft_l1"	funzione di perdita di least_squares: "linear" (minimi quadrati), "soft_l1", "huber" (robuste agli scarti, A14)
scala_perdita_sigma	3.0	scala s della perdita robusta, in multipli di \sigma: sotto s come i minimi quadrati, sopra cresce linearmente
tau_min_rel, tau_max_rel	0.05, 50.0	limiti di \tau come frazione della durata del dominio L: \tau \in [0.05L,\ 50L]; un \tau al bordo rende il fit non valido
n_griglia_tau	40	punti della griglia logaritmica su \tau per la partenza dell'esponenziale
soglia_condizione	10^8	numero di condizione dello jacobiano normalizzato oltre cui i parametri sono «non identificabili»
correggi_autocorrelazione	true	allarga gli intervalli di \sqrt{(1+\rho_1)/(1-\rho_1)} se \rho_1 supera soglia_acf (A17)
soglia_acf	0.3	soglia di \rho_1 per la correzione
soglia_delta_aicc	2.0	tra i modelli entro questo \Delta\mathrm{AICc} dal migliore vince quello con meno parametri
scala_residui_vs_rumore_max	1.5	un modello è «adeguato» se \hat\sigma_\text{res} \le questo valore \cdot\ \sigma, con \hat\sigma_\text{res} = 1.4826\,\mathrm{MAD}(r) la scala robusta dei residui (algoritmi.md §5.5, §6). Osservato per il modello giusto: 0.97–1.40; per modelli sbagliati: 11–100

[fit.modelli_per_tipo] — modelli provati per tipo di dominio

Chiave	Default	Significato
riposo	["costante", "lineare", "esp_decad"]	modelli provati sul riposo (A10)
raffreddamento	["esp_decad"]	modelli provati sui raffreddamenti (A7)

Entrambe le liste sono obbligatorie e non vuote. Non esiste la voce riscaldamento: quel dominio non si fitta (A23). Modelli ammessi: i nomi in modelli.MODELLI.

[output] (cli.py)

Chiave	Default	Significato
cartella_output	"output"	cartella madre; ogni analisi scrive in <cartella_output>/<nome del csv senza estensione>/. --output DIR la sostituisce

domini.toml — domini modificabili (domini.py)

Scritto in output/<csv>/01_domini/domini.toml, rilegibile con fitseg analizza CSV --domini FILE (uso.md):

[[dominio]]
tipo = "raffreddamento"   # riposo | riscaldamento | raffreddamento
t0_s = 16.1000            # primo campione del dominio (incluso)
t1_s = 17.9100            # primo campione del dominio successivo (escluso); per l'ultimo: ultimo campione

I domini devono essere contigui (t_1 di uno uguale a t_0 del successivo): altrimenti exit 6.

Esempi

Voglio…	Cambio
gradini più piccoli (es. 8 °C)	[domini] soglia_gradino_c = 8.0 e verifica che gli scarti restino sotto la soglia (A5)
tutti i raffreddamenti con parametri liberi	[fit] raffreddamento_intermedio_fissa_da_finale = []
fissare solo la costante di tempo	["tau"]
fit ai minimi quadrati puri	perdita = "linear"
un'altra colonna del CSV	[dati] serie = [...] e, se serve, [domini] serie_riferimento
tempo in secondi	[dati] unita_tempo = "s" e colonna_tempo