# 默认配置：MZM MLP 多输出回归基线
# 将数据 txt 放到 data/ 下并修改 data_path，或保持路径指向你的文件

data_path: data/dataset.txt

split_ratios: [0.7, 0.15, 0.15]  # train, val, test；可改为 [0.8, 0.1, 0.1]
random_seed: 42

remove_duplicate_rows: true

# 异常值处理策略：none | iqr | zscore | quantile_clip
# 默认仅报告极端值，不删除；物理上不可信的 V_pi 由下方区间门控剔除
outlier_strategy: none
# 启用非 none 策略时，在训练子集上拟合阈值；iqr/zscore 仅删训练集离群行；quantile_clip 按训练分位数 winsorize
outlier_apply_to: targets  # targets | all
outlier_config:
  iqr_k: 1.5
  zscore_threshold: 4.0
  quantile_lower: 0.001
  quantile_upper: 0.999

# 以 txt 第 11 列（列名 V_pi）为物理门控：仅保留闭区间 [v_pi_min, v_pi_max] 内样本
filter_v_pi_range: true
v_pi_min: 0.0
v_pi_max: 500.0

# 在区间过滤之后，是否再剔除 V_pi<=0；若需保留 V_pi=0（仍在 [0,500] 内），请设为 false
remove_nonpositive_vpi: false

model:
  input_dim: 8
  hidden_dims: [200, 300, 350, 300, 200]
  output_dim: 3
  batchnorm: false
  dropout: 0.0
  residual: false

optimizer:
  name: adamw
  lr: 0.001
  weight_decay: 0.0001

scheduler:
  type: cosine  # cosine | plateau
  plateau_factor: 0.5
  plateau_patience: 10
  plateau_min_lr: 1.0e-6

training:
  batch_size: 128
  epochs: 300
  early_stopping_patience: 30
  num_workers: 0

loss:
  type: huber  # huber | weighted_mse
  huber_delta: 1.0
  target_weights: [1.0, 1.0, 1.0]

# 总输出目录；每次训练会在其下创建 run_时间戳/
output_dir: results

# 评估/推理时若未指定 run_dir，可填最近一次 run 的路径（可选）
last_run_dir: null