### Последняя Надежда Эпсилон-9: Протокол «К-Резонанс»

**Ограничение по времени:** 3.0 с
**Ограничение по памяти:** 512 МБ

Год 2142. Межзвездная колония на планете Эпсилон-9 столкнулась с невидимой смертью. Внешне безобидная флора планеты скрывает фатальную угрозу: питательный, спасающий от голода «Звездный Корень» и парализующая нервную систему «Теневая Лоза» визуально абсолютно неразличимы. Их выдают только биоэлектрические поля, которые сканируют наши харвестеры.

До вчерашнего дня наш Центральный ИИ «Тензор-Оракул» успешно классифицировал растения. Но аномальная вспышка на местной звезде сожгла серверные стойки. Библиотеки машинного обучения расплавились в цифровом небытии. Остался только аварийный терминал жизнеобеспечения. Он принимает исключительно базовый, первобытный диалект языка Python. Использовать оператор `import` категорически запрещено — модулей просто не существует. Голод неминуем. Склады забиты смертельно опасным неклассифицированным урожаем.

Командор колонии Лира врывается в ваш инженерный отсек. В её руках дымящийся кристалл памяти.

— Инженер! — кричит она, смахивая пепел с терминала. — Я вытащила из мертвых архивов чертежи древнего алгоритма K-Ближайших Соседей. Мы должны воссоздать его с нуля, иначе завтра колония вымрет. И нам нужна строгая архитектура, чтобы система не рухнула. Будем писать объектно-ориентированно. Слушай меня внимательно, я зачитаю спецификацию протокола прямо с поврежденных секторов, а ты пиши код!

Лира подключает кристалл к вашему монитору, и аварийное освещение окрашивает отсек в красный цвет.

— Разделим логику выживания на модули, — диктует Командор, глядя на бегущие строки. — Для начала создай класс `DataProcessor`, он будет отвечать за очистку. Харвестеры присылают нам сплошной текстовый мусор. В этом классе тебе нужно написать первый метод `parse_sensor_data(self, record)`. Он должен принимать сырую строку, где числа и класс разделены запятыми, и возвращать кортеж. Первым элементом в нем пойдет список чисел с плавающей точкой — это наши сырые признаки. Вторым — строка класса растения.

Она нервно стучит по экрану:
— Данные с сенсоров скачут! Чтобы алгоритм не сошел с ума от разницы в масштабах измерений, нам нужна калибровка. В этот же класс добавь метод `calculate_statistics(self, dataset)`. Прогони через него размеченные данные и вычисли для каждого признака среднее арифметическое и стандартное отклонение. Верни это как список словарей с ключами `"mean"` и `"std"`. И помни, корень придется извлекать возведением в степень `0.5`, у нас нет математических модулей!

— Как только получим статистическую базу, — продолжает Лира, — пиши там же метод `normalize_features(self, features, stats)`. Каждый сырой признак растения нужно очистить от шума, вычтя среднее и разделив на стандартное отклонение. Этот метод должен брать список признаков и словарь статистики, а возвращать новый список идеальных, нормализованных чисел.

Свет в отсеке мигает. Система охлаждения воет на пределе возможностей.

— Теперь самое главное — архитектура ядра! Создай класс `KNNClassifier`. При инициализации через `__init__(self, k)` он должен принимать и сохранять внутри себя количество соседей `k`. Затем заложи в него геометрию выживания — метод `euclidean_distance(self, vector_a, vector_b)`. Он должен брать два нормализованных списка чисел и вычислять дистанцию между ними в многомерном пространстве. Просто верни одно число с плавающей точкой.

Лира выводит на экран голограмму базы данных:
— Систему нужно обучить. Напиши метод `fit(self, train_features, train_labels)`, который просто сохранит нормализованную обучающую выборку и её классы внутри объекта классификатора. А чтобы найти сородичей, добавь метод `find_k_nearest(self, test_point)`. Он должен прочесать сохраненную базу и найти `k` самых близких соседей для неизвестного растения `test_point`. От тебя требуется вернуть только список их классов-строк.

— Но соседи могут расходиться во мнениях, — Лира хмурится. — Нам нужна логика большинства. Метод `majority_vote(self, neighbors)` в этом же классе примет этот список и вернет тот класс, который встречается чаще всего. Если будет ничья — система должна выжить, просто возвращай любой из лидирующих классов. Это и будет наш приговор.

Она тяжело вздыхает, опираясь на стол:
— Оберни этот поиск и голосование в единый боевой интерфейс `predict_class(self, test_point)`. Ему мы будем скармливать одно неизвестное нормализованное растение, чтобы он сам вызвал поиск соседей, провел голосование и сразу выдал итоговый класс-строку.

— Но прежде чем отправить харвестеры в поля и кормить людей, — голос Лиры дрожит, — мы обязаны проверить алгоритм на архивах. Создай отдельный класс `AccuracyCalculator`. В нем будет всего один метод `calculate(self, predictions, true_labels)`. Сравни списки наших предсказаний с истинными классами на тестовом полигоне и верни долю правильных ответов от `0.0` до `1.0`. Цена каждой ошибки — чья-то жизнь.

Лира кладет руку вам на плечо. В её глазах отражается код аварийного терминала:
— И наконец, Инженер... Великий Синтез. Вне классов напиши финальную функцию `run_protocol(train_raw_lines, test_raw_lines, k)`. Она должна объединить весь пайплайн воедино. Создай экземпляры `DataProcessor`, `KNNClassifier` и `AccuracyCalculator`. Сначала распарси обе выборки. Затем вычисли статистику строго и только по обучающей базе, чтобы не было утечки данных из будущего. Потом нормализуй обе выборки. Скорми обучающие данные в метод `fit`. Пройдись циклом и сделай предсказания для каждого растения в тесте. В самом конце функция должна рассчитать точность и вернуть словарь с двумя ключами: `"accuracy"` с итоговой точностью и `"predictions"` со списком всех предсказанных классов.

Терминал призывно мигает пустым курсором. Система охлаждения реактора издает последний предупреждающий гудок. Жизнь Эпсилон-9 зависит от чистоты твоей архитектуры. Приступай.

---

### Блок тестирования: Симуляция запуска на архивных данных

Лира выводит на соседний голографический экран небольшую выборку исторических данных. 
— Инженер, мы не можем рисковать. Прежде чем подключать твой код напрямую к харвестерам, запусти симуляцию на этом крошечном наборе. Если твой «Синтез» работает верно, мы спасены.

**Требования к проверке:**

1. Запишите в код следующие архивные данные:
```python
train_raw = [
    "0.5, 1.2, Звездный Корень", 
    "0.6, 1.3, Звездный Корень", 
    "5.1, 8.2, Теневая Лоза", 
    "4.9, 8.1, Теневая Лоза"
]

test_raw = [
    "0.55, 1.25, Звездный Корень", 
    "5.0, 8.15, Теневая Лоза"
]