From 94927c73e1f8e30adeafb4889a7bf6b7c7534a17 Mon Sep 17 00:00:00 2001
From: Mikhalkovich Stanislav <miks@math.sfedu.ru>
Date: Tue, 14 Apr 2026 13:23:08 +0300
Subject: [PATCH] =?UTF-8?q?ML=20-=20=D1=80=D0=B5=D1=84=D0=B0=D0=BA=D1=82?=
 =?UTF-8?q?=D0=BE=D1=80=D0=B8=D0=BD=D0=B3=20Clone,=20IsValid?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 bin/Lib/DataFrameABC.pas     |  328 +++-------
 bin/Lib/DataFrameABCCore.pas |  182 +++---
 bin/Lib/LinearAlgebraML.pas  |   11 +-
 bin/Lib/MLABC.pas            |   21 +-
 bin/Lib/MLModelsABC.pas      | 1168 ++++++++++++++++++----------------
 bin/Lib/MLUtilsABC.pas       |   32 +
 bin/Lib/PreprocessorABC.pas  |   69 +-
 7 files changed, 918 insertions(+), 893 deletions(-)

diff --git a/bin/Lib/DataFrameABC.pas b/bin/Lib/DataFrameABC.pas
index defb25c4f..d93eb6a5c 100644
--- a/bin/Lib/DataFrameABC.pas
+++ b/bin/Lib/DataFrameABC.pas
@@ -1,6 +1,11 @@
-// Copyright (c) Ivan Bondarev, Stanislav Mikhalkovich (for details please see \doc\copyright.txt)
-// This code is distributed under the GNU LGPL (for details please see \doc\license.txt)
-// DataFrameABC v.1.1
+// =============================================================
+// СТАТИСТИЧЕСКОЕ СОГЛАШЕНИЕ (DataFrame)
+//
+// Используется выборочная дисперсия (деление на n - 1),
+// как принято в описательной статистике.
+//
+// См. статистическую политику в модуле MLABC.
+// =============================================================
 
 /// Стандартный модуль для работы с табличными данными (датасетами) 
 /// !! DataFrame module for tabular data processing
@@ -95,7 +100,6 @@ type
     function GetColumn(name: string): Column;
     
     function CloneWithCopiedColumns: DataFrame;
-    static procedure EnsureValidArray(var valid: array of boolean; rowCount, filledCount: integer);
   public
     /// Создает пустой DataFrame
     constructor Create;
@@ -692,17 +696,17 @@ begin
     if li >= 0 then
     begin
       data[i] := leftCol.Data[li];
-      valid[i] := if leftCol.IsValid = nil then true else leftCol.IsValid[li];
+      valid[i] := leftCol.IsValid[li];
     end
     else if ri >= 0 then
     begin
       data[i] := rightCol.Data[ri];
-      valid[i] := if rightCol.IsValid = nil then true else rightCol.IsValid[ri];
+      valid[i] := rightCol.IsValid[ri];
     end
     else
     begin
       data[i] := 0;
-      valid[i] := false;
+      valid[i] := False;
     end;
   end;
 
@@ -729,17 +733,17 @@ begin
     if li >= 0 then
     begin
       data[i] := leftCol.Data[li];
-      valid[i] := if leftCol.IsValid = nil then true else leftCol.IsValid[li];
+      valid[i] := leftCol.IsValid[li];
     end
     else if ri >= 0 then
     begin
       data[i] := rightCol.Data[ri];
-      valid[i] := if rightCol.IsValid = nil then true else rightCol.IsValid[ri];
+      valid[i] := rightCol.IsValid[ri];
     end
     else
     begin
       data[i] := 0.0;
-      valid[i] := false;
+      valid[i] := False;
     end;
   end;
 
@@ -766,17 +770,17 @@ begin
     if li >= 0 then
     begin
       data[i] := leftCol.Data[li];
-      valid[i] := if leftCol.IsValid = nil then true else leftCol.IsValid[li];
+      valid[i] := leftCol.IsValid[li];
     end
     else if ri >= 0 then
     begin
       data[i] := rightCol.Data[ri];
-      valid[i] := if rightCol.IsValid = nil then true else rightCol.IsValid[ri];
+      valid[i] := rightCol.IsValid[ri];
     end
     else
     begin
       data[i] := '';
-      valid[i] := false;
+      valid[i] := False;
     end;
   end;
 
@@ -803,12 +807,12 @@ begin
     if li >= 0 then
     begin
       data[i] := leftCol.Data[li];
-      valid[i] := if leftCol.IsValid = nil then true else leftCol.IsValid[li];
+      valid[i] := leftCol.IsValid[li];
     end
     else if ri >= 0 then
     begin
       data[i] := rightCol.Data[ri];
-      valid[i] := if rightCol.IsValid = nil then true else rightCol.IsValid[ri];
+      valid[i] := rightCol.IsValid[ri];
     end
     else
     begin
@@ -838,12 +842,12 @@ begin
     if j < 0 then
     begin
       data[i] := 0;
-      valid[i] := false;
+      valid[i] := False;
     end
     else
     begin
       data[i] := src.Data[j];
-      valid[i] := if src.IsValid = nil then true else src.IsValid[j];
+      valid[i] := src.IsValid[j];
     end;
   end;
 
@@ -868,12 +872,12 @@ begin
     if j < 0 then
     begin
       data[i] := 0.0;
-      valid[i] := false;
+      valid[i] := False;
     end
     else
     begin
       data[i] := src.Data[j];
-      valid[i] := if src.IsValid = nil then true else src.IsValid[j];
+      valid[i] := src.IsValid[j];
     end;
   end;
 
@@ -898,12 +902,12 @@ begin
     if j < 0 then
     begin
       data[i] := '';
-      valid[i] := false;
+      valid[i] := False;
     end
     else
     begin
       data[i] := src.Data[j];
-      valid[i] := if src.IsValid = nil then true else src.IsValid[j];
+      valid[i] := src.IsValid[j];
     end;
   end;
 
@@ -927,13 +931,13 @@ begin
 
     if j < 0 then
     begin
-      data[i] := false;
-      valid[i] := false;
+      data[i] := False;
+      valid[i] := False;
     end
     else
     begin
       data[i] := src.Data[j];
-      valid[i] := if src.IsValid = nil then true else src.IsValid[j];
+      valid[i] := src.IsValid[j];
     end;
   end;
 
@@ -2223,21 +2227,10 @@ end;
 
 procedure DataFrame.AddIntColumn(name: string; data: array of integer; valid: array of boolean);
 begin
-  if (columns.Count > 0) and (data.Length <> RowCount) then
+  if (columns.Count > 0) and (Length(data) <> RowCount) then
     DimensionError(ER_ADD_COLUMN_ROW_MISMATCH);
 
-  var c := new IntColumn;
-  c.Info := new ColumnInfo(name, ctInt);
-  c.Data := data;
-
-  if valid = nil then
-    c.IsValid := [True] * data.Length
-  else
-  begin
-    if valid.Length <> data.Length then
-      DimensionError(ER_COLUMN_VALID_LENGTH_MISMATCH);
-    c.IsValid := valid;
-  end;
+  var c := new IntColumn(name, data, valid);
 
   columns.Add(c);
   RebuildSchema;
@@ -2245,21 +2238,10 @@ end;
 
 procedure DataFrame.AddFloatColumn(name: string; data: array of real; valid: array of boolean);
 begin
-  if (columns.Count > 0) and (data.Length <> RowCount) then
+  if (columns.Count > 0) and (Length(data) <> RowCount) then
     DimensionError(ER_ADD_COLUMN_ROW_MISMATCH);
 
-  var c := new FloatColumn;
-  c.Info := new ColumnInfo(name, ctFloat);
-  c.Data := data;
-
-  if valid = nil then
-    c.IsValid := [True] * data.Length
-  else
-  begin
-    if valid.Length <> data.Length then
-            DimensionError(ER_COLUMN_VALID_LENGTH_MISMATCH);
-    c.IsValid := valid;
-  end;
+  var c := new FloatColumn(name, data, valid);
 
   columns.Add(c);
   RebuildSchema;
@@ -2267,21 +2249,10 @@ end;
 
 procedure DataFrame.AddStrColumn(name: string; data: array of string; valid: array of boolean);
 begin
-  if (columns.Count > 0) and (data.Length <> RowCount) then
+  if (columns.Count > 0) and (Length(data) <> RowCount) then
     DimensionError(ER_ADD_COLUMN_ROW_MISMATCH);
 
-  var c := new StrColumn;
-  c.Info := new ColumnInfo(name, ctStr);
-  c.Data := data;
-
-  if valid = nil then
-    c.IsValid := [True] * data.Length
-  else
-  begin
-    if valid.Length <> data.Length then
-      DimensionError(ER_COLUMN_VALID_LENGTH_MISMATCH);
-    c.IsValid := valid;
-  end;
+  var c := new StrColumn(name, data, valid);
 
   columns.Add(c);
   RebuildSchema;
@@ -2295,27 +2266,15 @@ end;
 
 procedure DataFrame.AddBoolColumn(name: string; data: array of boolean; valid: array of boolean);
 begin
-  if (columns.Count > 0) and (data.Length <> RowCount) then
+  if (columns.Count > 0) and (Length(data) <> RowCount) then
     DimensionError(ER_ADD_COLUMN_ROW_MISMATCH);
 
-  var c := new BoolColumn;
-  c.Info := new ColumnInfo(name, ctBool);
-  c.Data := data;
-
-  if valid = nil then
-    c.IsValid := [True] * data.Length
-  else
-  begin
-    if valid.Length <> data.Length then
-      DimensionError(ER_COLUMN_VALID_LENGTH_MISMATCH);
-    c.IsValid := valid;
-  end;
+  var c := new BoolColumn(name, data, valid);
 
   columns.Add(c);
   RebuildSchema;
 end;
 
-
 procedure DataFrame.CheckColumnIndex(colIndex: integer);
 begin
   if (colIndex < 0) or (colIndex >= ColumnCount) then
@@ -2917,17 +2876,13 @@ begin
       var src := IntColumn(col);
 
       var data := new integer[newCount];
-      var valid: array of boolean := nil;
-
-      if src.IsValid <> nil then
-        valid := new boolean[newCount];
+      var valid := new boolean[newCount];
 
       for var k := 0 to newCount - 1 do
       begin
         var i := mask[k];
         data[k] := src.Data[i];
-        if valid <> nil then
-          valid[k] := src.IsValid[i];
+        valid[k] := src.IsValid[i];
       end;
 
       res.AddIntColumn(src.Info.Name, data, valid);
@@ -2939,17 +2894,13 @@ begin
       var src := FloatColumn(col);
 
       var data := new real[newCount];
-      var valid: array of boolean := nil;
-
-      if src.IsValid <> nil then
-        valid := new boolean[newCount];
+      var valid := new boolean[newCount];
 
       for var k := 0 to newCount - 1 do
       begin
         var i := mask[k];
         data[k] := src.Data[i];
-        if valid <> nil then
-          valid[k] := src.IsValid[i];
+        valid[k] := src.IsValid[i];
       end;
 
       res.AddFloatColumn(src.Info.Name, data, valid);
@@ -2961,17 +2912,13 @@ begin
       var src := StrColumn(col);
 
       var data := new string[newCount];
-      var valid: array of boolean := nil;
-
-      if src.IsValid <> nil then
-        valid := new boolean[newCount];
+      var valid := new boolean[newCount];
 
       for var k := 0 to newCount - 1 do
       begin
         var i := mask[k];
         data[k] := src.Data[i];
-        if valid <> nil then
-          valid[k] := src.IsValid[i];
+        valid[k] := src.IsValid[i];
       end;
 
       res.AddStrColumn(src.Info.Name, data, valid);
@@ -2983,17 +2930,13 @@ begin
       var src := BoolColumn(col);
 
       var data := new boolean[newCount];
-      var valid: array of boolean := nil;
-
-      if src.IsValid <> nil then
-        valid := new boolean[newCount];
+      var valid := new boolean[newCount];
 
       for var k := 0 to newCount - 1 do
       begin
         var i := mask[k];
         data[k] := src.Data[i];
-        if valid <> nil then
-          valid[k] := src.IsValid[i];
+        valid[k] := src.IsValid[i];
       end;
 
       res.AddBoolColumn(src.Info.Name, data, valid);
@@ -3251,16 +3194,6 @@ begin
   end;
 end;
 
-static procedure DataFrame.EnsureValidArray(var valid: array of boolean; rowCount, filledCount: integer);
-begin
-  if valid = nil then
-  begin
-    valid := new boolean[rowCount];
-    for var j := 0 to filledCount - 1 do
-      valid[j] := true;
-  end;
-end;
-
 function DataFrame.WithColumnInt(name: string; f: DataFrameCursor -> integer): DataFrame;
 begin
   if fSchema.HasColumn(name) then
@@ -3269,7 +3202,7 @@ begin
   var res := CloneWithCopiedColumns;
 
   var data := new integer[RowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[RowCount];
 
   var cur := GetCursor;
   var i := 0;
@@ -3282,15 +3215,13 @@ begin
       on e: Exception do
       begin
         data[i] := 0;
-        EnsureValidArray(valid, RowCount, i);
-        valid[i] := false;
+        valid[i] := False;
         i += 1;
         continue;
       end;
     end;
 
-    if valid <> nil then
-      valid[i] := true;
+    valid[i] := True;
 
     i += 1;
   end;
@@ -3310,7 +3241,7 @@ begin
   var res := CloneWithCopiedColumns;
 
   var data := new real[RowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[RowCount];
 
   var cur := GetCursor;
   var i := 0;
@@ -3323,15 +3254,13 @@ begin
       on e: Exception do
       begin
         data[i] := 0.0;
-        EnsureValidArray(valid, RowCount, i);
-        valid[i] := false;
+        valid[i] := False;
         i += 1;
         continue;
       end;
     end;
 
-    if valid <> nil then
-      valid[i] := true;
+    valid[i] := True;
 
     i += 1;
   end;
@@ -3351,7 +3280,7 @@ begin
   var res := CloneWithCopiedColumns;
 
   var data := new string[RowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[RowCount];
 
   var cur := GetCursor;
   var i := 0;
@@ -3364,15 +3293,13 @@ begin
       on e: Exception do
       begin
         data[i] := nil;
-        EnsureValidArray(valid, RowCount, i);
-        valid[i] := false;
+        valid[i] := False;
         i += 1;
         continue;
       end;
     end;
 
-    if valid <> nil then
-      valid[i] := true;
+    valid[i] := True;
 
     i += 1;
   end;
@@ -3392,7 +3319,7 @@ begin
   var res := CloneWithCopiedColumns;
 
   var data := new boolean[RowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[RowCount];
 
   var cur := GetCursor;
   var i := 0;
@@ -3404,16 +3331,14 @@ begin
     except
       on e: Exception do
       begin
-        data[i] := false;
-        EnsureValidArray(valid, RowCount, i);
-        valid[i] := false;
+        data[i] := False;
+        valid[i] := False;
         i += 1;
         continue;
       end;
     end;
 
-    if valid <> nil then
-      valid[i] := true;
+    valid[i] := True;
 
     i += 1;
   end;
@@ -3458,7 +3383,7 @@ begin
   var rowCount := RowCount;
 
   var data := new real[rowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[rowCount];
 
   var cur := GetCursor;
   var row := 0;
@@ -3469,14 +3394,6 @@ begin
     if not cur.IsValid(colIndex) then
     begin
       data[row] := 0.0;
-
-      if valid = nil then
-      begin
-        valid := new boolean[rowCount];
-        for var j := 0 to row - 1 do
-          valid[j] := true;
-      end;
-
       valid[row] := false;
       row += 1;
       continue;
@@ -3489,22 +3406,13 @@ begin
       on e: Exception do
       begin
         data[row] := 0.0;
-
-        if valid = nil then
-        begin
-          valid := new boolean[rowCount];
-          for var j := 0 to row - 1 do
-            valid[j] := true;
-        end;
-
-        valid[row] := false;
+        valid[row] := False;
         row += 1;
         continue;
       end;
     end;
 
-    if valid <> nil then
-      valid[row] := true;
+    valid[row] := True;
 
     row += 1;
   end;
@@ -3540,7 +3448,7 @@ begin
   var rowCount := RowCount;
 
   var data := new integer[rowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[rowCount];
 
   var cur := GetCursor;
   var row := 0;
@@ -3548,17 +3456,12 @@ begin
   begin
     try
       data[row] := f(cur);
-      if valid <> nil then valid[row] := true;
+      valid[row] := True;
     except
       on e: Exception do
       begin
         data[row] := 0;
-        if valid = nil then
-        begin
-          valid := new boolean[rowCount];
-          for var j := 0 to row - 1 do valid[j] := true;
-        end;
-        valid[row] := false;
+        valid[row] := False;
       end;
     end;
     row += 1;
@@ -3597,7 +3500,7 @@ begin
 
   var rowCount := RowCount;
   var data := new integer[rowCount];
-  var valid: array of boolean := nil;
+  var valid := new boolean[rowCount];
 
   var cur := GetCursor;
   var row := 0;
@@ -3605,17 +3508,12 @@ begin
   begin
     try
       data[row] := f(cur);
-      if valid <> nil then valid[row] := true;
+      valid[row] := True;
     except
       on e: Exception do
       begin
         data[row] := 0;
-        if valid = nil then
-        begin
-          valid := new boolean[rowCount];
-          for var j := 0 to row - 1 do valid[j] := true;
-        end;
-        valid[row] := false;
+        valid[row] := False;
       end;
     end;
     row += 1;
@@ -3863,11 +3761,7 @@ begin
       begin
         var src := IntColumn(col);
         var data := new integer[k];
-        var validSrc := src.IsValid;
-        var validDst: array of boolean := nil;
-
-        if validSrc <> nil then
-          validDst := new boolean[k];
+        var validDst := new boolean[k];
 
         for var j := 0 to k - 1 do
         begin
@@ -3876,15 +3770,8 @@ begin
           if (i < 0) or (i >= RowCount) then
             ArgumentError(ER_ROW_INDEX_OUT_OF_RANGE, i);
 
-          if validSrc = nil then
-            data[j] := src.Data[i]
-          else if validSrc[i] then
-          begin
-            data[j] := src.Data[i];
-            validDst[j] := true;
-          end
-          else
-            validDst[j] := false;
+          data[j] := src.Data[i];
+          validDst[j] := src.IsValid[i];
         end;
 
         res.AddIntColumn(name, data, validDst);
@@ -3894,11 +3781,7 @@ begin
       begin
         var src := FloatColumn(col);
         var data := new real[k];
-        var validSrc := src.IsValid;
-        var validDst: array of boolean := nil;
-
-        if validSrc <> nil then
-          validDst := new boolean[k];
+        var validDst := new boolean[k];
 
         for var j := 0 to k - 1 do
         begin
@@ -3907,15 +3790,8 @@ begin
           if (i < 0) or (i >= RowCount) then
             ArgumentError(ER_ROW_INDEX_OUT_OF_RANGE, i);
 
-          if validSrc = nil then
-            data[j] := src.Data[i]
-          else if validSrc[i] then
-          begin
-            data[j] := src.Data[i];
-            validDst[j] := true;
-          end
-          else
-            validDst[j] := false;
+          data[j] := src.Data[i];
+          validDst[j] := src.IsValid[i];
         end;
 
         res.AddFloatColumn(name, data, validDst);
@@ -3925,11 +3801,7 @@ begin
       begin
         var src := StrColumn(col);
         var data := new string[k];
-        var validSrc := src.IsValid;
-        var validDst: array of boolean := nil;
-
-        if validSrc <> nil then
-          validDst := new boolean[k];
+        var validDst := new boolean[k];
 
         for var j := 0 to k - 1 do
         begin
@@ -3938,15 +3810,8 @@ begin
           if (i < 0) or (i >= RowCount) then
             ArgumentError(ER_ROW_INDEX_OUT_OF_RANGE, i);
 
-          if validSrc = nil then
-            data[j] := src.Data[i]
-          else if validSrc[i] then
-          begin
-            data[j] := src.Data[i];
-            validDst[j] := true;
-          end
-          else
-            validDst[j] := false;
+          data[j] := src.Data[i];
+          validDst[j] := src.IsValid[i];
         end;
 
         res.AddStrColumn(name, data, validDst);
@@ -3956,11 +3821,7 @@ begin
       begin
         var src := BoolColumn(col);
         var data := new boolean[k];
-        var validSrc := src.IsValid;
-        var validDst: array of boolean := nil;
-
-        if validSrc <> nil then
-          validDst := new boolean[k];
+        var validDst := new boolean[k];
 
         for var j := 0 to k - 1 do
         begin
@@ -3969,15 +3830,8 @@ begin
           if (i < 0) or (i >= RowCount) then
             ArgumentError(ER_ROW_INDEX_OUT_OF_RANGE, i);
 
-          if validSrc = nil then
-            data[j] := src.Data[i]
-          else if validSrc[i] then
-          begin
-            data[j] := src.Data[i];
-            validDst[j] := true;
-          end
-          else
-            validDst[j] := false;
+          data[j] := src.Data[i];
+          validDst[j] := src.IsValid[i];
         end;
 
         res.AddBoolColumn(name, data, validDst);
@@ -4305,13 +4159,10 @@ begin
   case src.Info.ColType of
     ctInt:
       AddIntColumn(src.Info.Name, IntColumn(src).Data, IntColumn(src).IsValid);
-
     ctFloat:
       AddFloatColumn(src.Info.Name, FloatColumn(src).Data, FloatColumn(src).IsValid);
-
     ctStr:
       AddStrColumn(src.Info.Name, StrColumn(src).Data, StrColumn(src).IsValid);
-
     ctBool:
       AddBoolColumn(src.Info.Name, BoolColumn(src).Data, BoolColumn(src).IsValid);
   end;
@@ -4559,7 +4410,7 @@ begin
   begin
     var i := indices[j];
 
-    if (valid <> nil) and not valid[i] then
+    if not valid[i] then
       continue;
 
     s += if isInt then dataInt[i] else dataFloat[i];
@@ -4586,7 +4437,7 @@ begin
   begin
     var i := indices[j];
 
-    if (valid <> nil) and not valid[i] then
+    if not valid[i] then
       continue;
 
     s += if isInt then dataInt[i] else dataFloat[i];
@@ -4614,7 +4465,7 @@ begin
   begin
     var i := indices[j];
 
-    if (valid <> nil) and not valid[i] then
+    if not valid[i] then
       continue;
 
     var v := if isInt then dataInt[i] else dataFloat[i];
@@ -4647,7 +4498,7 @@ begin
   begin
     var i := indices[j];
 
-    if (valid <> nil) and not valid[i] then
+    if not valid[i] then
       continue;
 
     var v := if isInt then dataInt[i] else dataFloat[i];
@@ -5578,7 +5429,7 @@ begin
       if cur.IsValid(i) then
         col.Data[row] := (cur.Float(i) - means[i]) / stds[i]
       else
-        col.IsValid[row] := false;
+        col.IsValid[row] := False;
 
     end;
     row += 1;
@@ -5661,20 +5512,11 @@ begin
       if cur.IsValid(i) then
       begin
         col.Data[row] := (cur.Float(i) - mins[i]) / (maxs[i] - mins[i]);
-        if col.IsValid <> nil then
-          col.IsValid[row] := true;
+        col.IsValid[row] := True;
       end
       else
-      begin
         // первый NA → создаём IsValid
-        if col.IsValid = nil then
-        begin
-          col.IsValid := new boolean[df.RowCount];
-          for var r := 0 to row - 1 do
-            col.IsValid[r] := true;
-        end;
-        col.IsValid[row] := false;
-      end;
+        col.IsValid[row] := False;
     end;
     row += 1;
   end;
diff --git a/bin/Lib/DataFrameABCCore.pas b/bin/Lib/DataFrameABCCore.pas
index b58525a17..2d73a9236 100644
--- a/bin/Lib/DataFrameABCCore.pas
+++ b/bin/Lib/DataFrameABCCore.pas
@@ -1,5 +1,20 @@
 unit DataFrameABCCore;
 
+// =============================================================
+// ИНВАРИАНТ ВАЛИДНОСТИ СТОЛБЦОВ
+//
+// Для всех столбцов:
+//   • IsValid всегда инициализирован
+//   • Length(IsValid) = Length(Data)
+//   • nil не используется как специальное значение
+//
+// Пустой столбец:
+//   • Data имеет длину 0
+//   • IsValid = new boolean[0]
+//
+// Нарушение этого инварианта считается ошибкой.
+// =============================================================
+
 interface
 
 type
@@ -275,7 +290,9 @@ const
     'Неизвестный тип столбца!!Unknown column type';
   ER_ROW_INDEX_OUT_OF_RANGE =
     'Индекс строки {0} вне диапазона [0..{1})!!' +
-    'Row index {0} out of range [0..{1})';  
+    'Row index {0} out of range [0..{1})'; 
+  ER_INVALID_ISVALID_LENGTH =
+    'Длина IsValid должна совпадать с длиной Data!!IsValid length must match Data length';  
     
 //-----------------------------
 //      Сервисные функции
@@ -547,14 +564,23 @@ end;
 //           Columns
 //-----------------------------
 
-constructor IntColumn.Create(name: string; data: array of integer;
-  valid: array of boolean);
+constructor IntColumn.Create(name: string; data: array of integer; valid: array of boolean);
 begin
   inherited Create;
   Info := new ColumnInfo(name, ctInt);
 
-  Data := data;
-  IsValid := valid;
+  var n := Length(data);
+  Data := if n = 0 then [] else data;
+
+  if valid = nil then
+    IsValid := [True] * n
+  else
+  begin
+    if Length(valid) <> n then
+      Error(ER_INVALID_ISVALID_LENGTH);
+
+    IsValid := valid;
+  end;
 end;
 
 constructor IntColumn.Create(name: string);
@@ -562,55 +588,73 @@ begin
   inherited Create;
   Info := new ColumnInfo(name, ctInt);
 
-  Data := new integer[0];
-  IsValid := nil;
+  Data := [];
+  IsValid := [];
 end;
 
 function IntColumn.TryGetNumericValue(i: integer; var value: real): boolean;
 begin
-  if (IsValid <> nil) and not IsValid[i] then
-    exit(false);
+  if not IsValid[i] then
+    exit(False);
 
   value := Data[i];
-  exit(true);
+  exit(True);
 end;
 
-constructor FloatColumn.Create(name: string; data: array of real;
-  valid: array of boolean);
+constructor FloatColumn.Create(name: string; data: array of real; valid: array of boolean);
 begin
   inherited Create;
   Info := new ColumnInfo(name, ctFloat);
 
-  Data := data;
-  IsValid := valid;
+  var n := Length(data);
+  Data := if n = 0 then [] else data;
+
+  if valid = nil then
+    IsValid := [True] * n
+  else
+  begin
+    if Length(valid) <> n then
+      Error(ER_INVALID_ISVALID_LENGTH);
+
+    IsValid := valid;
+  end;
 end;
 
 constructor FloatColumn.Create(name: string);
 begin
   inherited Create;
   Info := new ColumnInfo(name, ctFloat);
-  Data := new real[0];
-  IsValid := nil;
-end;
 
+  Data := [];
+  IsValid := [];
+end;
 
 function FloatColumn.TryGetNumericValue(i: integer; var value: real): boolean;
 begin
-  if (IsValid <> nil) and not IsValid[i] then
-    exit(false);
+  if not IsValid[i] then
+    exit(False);
 
   value := Data[i];
-  exit(true);
+  exit(True);
 end;
 
-constructor StrColumn.Create(name: string; data: array of string;
-  valid: array of boolean);
+constructor StrColumn.Create(name: string; data: array of string; valid: array of boolean);
 begin
   inherited Create;
   Info := new ColumnInfo(name, ctStr);
 
-  Data := data;
-  IsValid := valid;
+  var n := Length(data);
+  Data := if n = 0 then [] else data;
+
+  if valid = nil then
+    IsValid := [True] * n
+  else
+  begin
+    if Length(valid) <> n then
+      Error(ER_INVALID_ISVALID_LENGTH);
+
+    IsValid := valid;
+  end;
 end;
 
 constructor StrColumn.Create(name: string);
@@ -618,36 +662,32 @@ begin
   inherited Create;
   Info := new ColumnInfo(name, ctStr);
 
-  Data := new string[0];
-  IsValid := nil;
+  Data := [];
+  IsValid := [];
 end;
 
 function StrColumn.TryGetNumericValue(i: integer; var value: real): boolean;
 begin
-  exit(false);
+  exit(False);
 end;
 
-function BoolColumn.TryGetNumericValue(i: integer; var value: real): boolean;
-begin
-  if (IsValid <> nil) and not IsValid[i] then
-    exit(false);
-
-  if Data[i] then
-    value := 1.0
-  else
-    value := 0.0;
-
-  exit(true);
-end;
-
-constructor BoolColumn.Create(name: string; data: array of boolean;
-  valid: array of boolean);
+constructor BoolColumn.Create(name: string; data: array of boolean; valid: array of boolean);
 begin
   inherited Create;
   Info := new ColumnInfo(name, ctBool);
 
-  Data := data;
-  IsValid := valid;
+  var n := Length(data);
+  Data := if n = 0 then [] else data;
+
+  if valid = nil then
+    IsValid := [True] * n
+  else
+  begin
+    if Length(valid) <> n then
+      Error(ER_INVALID_ISVALID_LENGTH);
+
+    IsValid := valid;
+  end;
 end;
 
 constructor BoolColumn.Create(name: string);
@@ -655,34 +695,24 @@ begin
   inherited Create;
   Info := new ColumnInfo(name, ctBool);
 
-  Data := new boolean[0];
-  IsValid := nil;
+  Data := [];
+  IsValid := [];
 end;
 
-{procedure BoolColumn.AppendFromCursor(cur: DataFrameCursor; colIndex: integer);
+function BoolColumn.TryGetNumericValue(i: integer; var value: real): boolean;
 begin
-  if cur.IsValid(colIndex) then
-  begin
-    Data := Data + [cur.Bool(colIndex)];
-    if IsValid <> nil then 
-      IsValid := IsValid + [true];
-  end
-  else AppendInvalid;
-end;}
+  if not IsValid[i] then
+    exit(False);
 
-{procedure BoolColumn.AppendInvalid;
-begin
-  Data := Data + [false];
+  if Data[i] then
+    value := 1.0
+  else
+    value := 0.0;
+
+  exit(True);
+end;
 
-  if IsValid = nil then
-  begin
-    IsValid := new boolean[Length(Data) - 1];
-    for var i := 0 to IsValid.Length - 1 do
-      IsValid[i] := true;
-  end;
 
-  IsValid := IsValid + [false];
-end;}
 
 //-----------------------------
 //           JoinKey
@@ -772,10 +802,7 @@ begin
       ctInt:
       begin
         var c := IntColumn(col);
-        if c.IsValid = nil then
-          validAcc[i] := pos -> true
-        else
-          validAcc[i] := pos -> c.IsValid[pos];
+        validAcc[i] := pos -> c.IsValid[pos];
     
         intAcc[i] := pos -> c.Data[pos];
         floatAcc[i] := pos -> c.Data[pos];
@@ -784,10 +811,7 @@ begin
       ctFloat:
       begin
         var c := FloatColumn(col);
-        if c.IsValid = nil then
-          validAcc[i] := pos -> true
-        else
-          validAcc[i] := pos -> c.IsValid[pos];
+        validAcc[i] := pos -> c.IsValid[pos];
     
         floatAcc[i] := pos -> c.Data[pos];
         intAcc[i] := NotInt;
@@ -796,10 +820,7 @@ begin
       ctStr:
       begin
         var c := StrColumn(col);
-        if c.IsValid = nil then
-          validAcc[i] := pos -> true
-        else
-          validAcc[i] := pos -> c.IsValid[pos];
+        validAcc[i] := pos -> c.IsValid[pos];
     
         strAcc[i] := pos -> c.Data[pos];
       end;
@@ -807,10 +828,7 @@ begin
       ctBool:
       begin
         var c := BoolColumn(col);
-        if c.IsValid = nil then
-          validAcc[i] := pos -> true
-        else
-          validAcc[i] := pos -> c.IsValid[pos];
+        validAcc[i] := pos -> c.IsValid[pos];
     
         boolAcc[i] := pos -> c.Data[pos];
       end;
diff --git a/bin/Lib/LinearAlgebraML.pas b/bin/Lib/LinearAlgebraML.pas
index b423c396d..87521e9d3 100644
--- a/bin/Lib/LinearAlgebraML.pas
+++ b/bin/Lib/LinearAlgebraML.pas
@@ -1,4 +1,13 @@
-/// Линейная алгебра для алгоритмов машинного обучения.
+// =============================================================
+// СТАТИСТИЧЕСКОЕ СОГЛАШЕНИЕ (LinearAlgebraML)
+//
+// Используется дисперсия генеральной совокупности (деление на n),
+// как принято в численных методах и алгоритмах машинного обучения.
+//
+// См. статистическую политику в модуле MLABC.
+// =============================================================
+
+/// Линейная алгебра для алгоритмов машинного обучения.
 ///
 /// Содержит типы Vector и Matrix и численные методы,
 /// используемые в моделях ML:
diff --git a/bin/Lib/MLABC.pas b/bin/Lib/MLABC.pas
index bef02847e..cff013057 100644
--- a/bin/Lib/MLABC.pas
+++ b/bin/Lib/MLABC.pas
@@ -1,4 +1,23 @@
-/// Основной модуль библиотеки машинного обучения.
+// =============================================================
+// СТАТИСТИЧЕСКАЯ ПОЛИТИКА БИБЛИОТЕКИ ML PascalABC.NET
+//
+// В библиотеке используются следующие соглашения:
+//
+// 1. DataFrame (описательная статистика):
+//    • дисперсия вычисляется с делением на (n - 1)
+//
+// 2. LinearAlgebra и ML:
+//    • дисперсия вычисляется с делением на n
+//
+// 3. PCA:
+//    • ковариационная матрица вычисляется с делением на (n - 1)
+//
+// Это соответствует распространённой практике:
+//   • описательная статистика — выборочная дисперсия
+//   • алгоритмы ML — дисперсия генеральной совокупности
+// =============================================================
+
+/// Основной модуль библиотеки машинного обучения.
 /// Объединяет модели, метрики, валидацию и вспомогательные компоненты.
 unit MLABC;
 
diff --git a/bin/Lib/MLModelsABC.pas b/bin/Lib/MLModelsABC.pas
index 4fdd26ceb..52e07360f 100644
--- a/bin/Lib/MLModelsABC.pas
+++ b/bin/Lib/MLModelsABC.pas
@@ -1,4 +1,17 @@
-/// Модуль моделей машинного обучения и матричных преобразований.
+// =============================================================
+// СТАТИСТИЧЕСКОЕ СОГЛАШЕНИЕ (MLModelsABC)
+//
+// Модели и трансформеры используют статистические методы
+// из LinearAlgebraML.
+//
+// В частности:
+//   • StandardScaler, VarianceThreshold и др. используют
+//     дисперсию с делением на n (population variance)
+//
+// См. статистическую политику в модуле MLABC.
+// =============================================================
+
+/// Модуль моделей машинного обучения и матричных преобразований.
 ///
 /// Содержит:
 /// • функции активации
@@ -68,9 +81,12 @@ type
   public
     constructor Create();
 
-    /// Обучает модель на числовых данных
-    ///   X — матрица m × n (m объектов, n признаков)
-    ///   y — вектор длины m
+/// Обучает модель на числовых данных
+///   X — матрица m × n (m объектов, n признаков)
+///   y — вектор длины m
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
 
     /// Предсказывает значения для матрицы признаков
@@ -93,7 +109,21 @@ type
     property IsFitted: boolean read fFitted;
     
     function ToString: string; override;
-    
+
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)    
     function Clone: IModel;
     
     function Name: string := Self.GetType.Name;
@@ -116,10 +146,13 @@ type
     ///   • lambda — коэффициент L2-регуляризации (0 — обычная линейная регрессия)
     constructor Create(lambda: real := 1.0);
   
-    /// Обучает модель на числовых данных.
-    ///   X — матрица m × n (m объектов, n признаков).
-    ///   y — вектор длины m с непрерывными значениями.
-    /// Выполняется центрирование признаков и целевой переменной.
+/// Обучает модель на числовых данных.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+/// Выполняется центрирование признаков и целевой переменной.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
   
     /// Предсказывает непрерывные значения для объектов X.
@@ -144,6 +177,20 @@ type
     
     function ToString: string; override;
     
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
     
     function Name: string := Self.GetType.Name;
@@ -180,10 +227,13 @@ type
     ///   • tol — критерий остановки по изменению коэффициентов.
     constructor Create(lambda1, lambda2: real; maxIter: integer := 1000; tol: real := 1e-6);
   
-    /// Обучает модель на числовых данных.
-    ///   X — матрица m × n (m объектов, n признаков).
-    ///   y — вектор длины m с непрерывными значениями.
-    /// Выполняется центрирование признаков и целевой переменной.
+/// Обучает модель на числовых данных.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+/// Выполняется центрирование признаков и целевой переменной.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
   
     /// Предсказывает непрерывные значения для объектов X.
@@ -205,6 +255,20 @@ type
     
     function ToString: string; override;
     
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
     
     function Name: string := Self.GetType.Name;
@@ -216,6 +280,9 @@ type
   LassoRegression = class(IRegressor)
     private
       fModel: ElasticNet;
+      fAlpha: real;
+      fMaxIter: integer;
+      fTol: real;
     public
       /// Создаёт модель Lasso-регрессии.
       /// alpha — коэффициент L1-регуляризации.
@@ -227,10 +294,13 @@ type
         tol: real := 1e-6
       );
   
-      /// Обучает модель на данных.
-      /// X — матрица признаков размера [nSamples x nFeatures].
-      /// y — вектор целевых значений длины nSamples.
-      /// Возвращает текущий экземпляр модели.
+/// Обучает модель на числовых данных.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+/// Выполняется центрирование признаков и целевой переменной.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
       function Fit(X: Matrix; y: Vector): ISupervisedModel;
   
       /// Предсказывает значения целевой переменной для входных данных.
@@ -238,7 +308,20 @@ type
       /// Возвращает вектор предсказаний длины nSamples.
       function Predict(X: Matrix): Vector;
   
-      /// Создаёт полную копию модели вместе с обученными параметрами.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
       function Clone: IModel;
       
       /// Показывает, была ли модель обучена.
@@ -288,10 +371,12 @@ type
     );
   
 /// Обучает модель логистической регрессии.
-///   X — матрица признаков.
-///   y — вектор меток классов (целочисленные значения).
-/// Возвращает обученную модель.
-/// После вызова IsFitted становится True.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с метками классов (целочисленные значения).
+/// После вызова модель содержит обученные параметры и готова к Predict.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
   
     /// Возвращает матрицу вероятностей (m x k).
@@ -319,9 +404,6 @@ type
 /// Возвращает строковое представление модели.
     function ToString: string; override;
     
-/// Создает глубокую копию модели.
-    function Clone: IModel;
-    
     /// Матрица коэффициентов модели (p × k).
     property Weights: Matrix read GetWeights;
     
@@ -333,6 +415,22 @@ type
     procedure SetClassLabels(classes: array of string);
     
     function GetClassLabels: array of string;
+
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
+    function Clone: IModel;
   end;
   
   DecisionTreeNode = class
@@ -536,10 +634,12 @@ type
 /// Значения нормированы так, что сумма равна 1.
     function FeatureImportances: Vector;
     
-/// Обучает дерево решений.
-/// X — матрица признаков.
-/// y — целевая переменная.
-/// Реализация зависит от типа дерева (регрессия или классификация).
+/// Обучает дерево решений для задачи регрессии.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+///
+/// Примечание:
+///   • обученное состояние дерева НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; virtual; abstract;
 
 /// Выполняет предсказание для матрицы X.
@@ -548,8 +648,20 @@ type
 /// Для классификации — метки классов.
     function Predict(X: Matrix): Vector; virtual; abstract;
 
-/// Создает глубокую копию дерева.
-/// Копируется структура узлов, параметры и обученное состояние.    
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)       
     function Clone: IModel; virtual; abstract;
 
 /// Возвращает true, если дерево обучено.
@@ -588,12 +700,17 @@ type
 ///   • minSamplesSplit — минимальное число объектов для разбиения узла.
 ///   • minSamplesLeaf — минимальное число объектов в листе
     constructor Create(maxDepth: integer := 10; minSamplesSplit: integer := 2; minSamplesLeaf: integer := 1; 
-      criterion: ISplitCriterion := nil; seed: integer := -1);
+      criterion: ISplitCriterion := nil; 
+      maxFeatures: integer := 0;
+      seed: integer := -1);
 
 /// Обучает классификационное дерево.
-/// X — матрица признаков.
-/// y — вектор целевых меток (целые значения).
-/// Строит структуру дерева путем минимизации нечистоты в узлах.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с метками классов (целочисленные значения).
+/// Строит структуру дерева, минимизируя нечистоту в узлах.
+///
+/// Примечание:
+///   • обученное состояние дерева НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; 
     
 /// Выполняет предсказание меток классов для X.
@@ -606,10 +723,6 @@ type
     /// Требует предварительного вызова Fit.
     function PredictLabels(X: Matrix): array of integer;
     
-/// Создает глубокую копию дерева классификации.
-/// Копируется структура узлов, параметры и обученное состояние.
-    function Clone: IModel; 
-
 /// Возвращает строковое представление модели.
     function ToString: string; override;
     
@@ -626,6 +739,22 @@ type
 /// Возвращает true, если дерево обучено.
 /// Если false — Predict вызовет ошибку.
     property IsFitted: boolean read fFitted;
+
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
+    function Clone: IModel; 
   end;
   
 //============================  
@@ -668,16 +797,31 @@ type
       leafL2: real := 0.0; seed: integer := -1);
     
 /// Обучает регрессионное дерево.
-/// X — матрица признаков.
-/// y — вещественная целевая переменная.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+///
+/// Примечание:
+///   • обученное состояние дерева НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; override;
 
 /// Выполняет предсказание для всех объектов X.
 /// Возвращает вектор вещественных значений.
     function Predict(X: Matrix): Vector; override;
 
-/// Создает глубокую копию дерева регрессии.
-/// Копируется структура узлов, параметры и обученное состояние.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; override;
     
 /// Возвращает строковое представление модели.
@@ -758,9 +902,14 @@ type
       useOOB: boolean := False;
       seed: integer := -1);
 
-/// Обучает ансамбль деревьев на данных X и y.
+/// Обучает ансамбль деревьев на данных.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с целевыми значениями.
 /// Для каждого дерева используется bootstrap-подвыборка
-/// и случайное подмножество признаков.  
+/// и случайное подмножество признаков.
+///
+/// Примечание:
+///   • обученное состояние ансамбля НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; virtual; abstract;
 
 /// Выполняет предсказание для матрицы X.
@@ -768,8 +917,20 @@ type
 /// В классификации — голосование (majority vote) или усреднение вероятностей.    
     function Predict(X: Matrix): Vector; virtual; abstract;
 
-/// Создает глубокую копию случайного леса.
-/// Копируются все деревья и параметры ансамбля.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; virtual; abstract;
     
 /// Возвращает вектор важности признаков.
@@ -811,17 +972,34 @@ type
       computeOOB: boolean := False;
       seed: integer := -1);
 
-/// Обучает случайный лес на данных X и y.
-/// Для каждого дерева используется bootstrap-выборка.
-/// Возвращает обученную модель.
+/// Обучает регрессионный случайный лес.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+/// Для каждого дерева используется bootstrap-подвыборка
+/// и случайное подмножество признаков.
+///
+/// Примечание:
+///   • обученное состояние ансамбля НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; override;
 
 /// Выполняет предсказание для X.
 /// Итоговое значение — среднее предсказаний всех деревьев ансамбля.
     function Predict(X: Matrix): Vector; override;
 
-/// Создает глубокую копию случайного леса.
-/// Копируются все деревья и параметры модели.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; override;
     
 /// Возвращает усредненную важность признаков по всем деревьям ансамбля.
@@ -860,10 +1038,14 @@ type
       computeOOB: boolean := False;
       seed: integer := -1);
   
-/// Обучает случайный лес на данных X и y.
-/// Для каждого дерева используется bootstrap-выборка обучающих объектов.
+/// Обучает классификационный случайный лес.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с метками классов (целочисленные значения).
+/// Для каждого дерева используется bootstrap-подвыборка обучающих объектов.
 /// В каждом узле рассматривается случайное подмножество признаков согласно maxFeaturesMode.
-/// Возвращает обученную модель.
+///
+/// Примечание:
+///   • обученное состояние ансамбля НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; override;
 
 /// Выполняет предсказание меток классов для матрицы X.
@@ -885,8 +1067,20 @@ type
     /// Требует предварительного вызова Fit.
     function PredictProba(X: Matrix): Matrix;
 
-/// Создает глубокую копию случайного леса классификации.
-/// Копируются все деревья, параметры ансамбля и обученное состояние модели.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; override;
     
 /// Возвращает усредненную важность признаков по всем деревьям ансамбля.
@@ -1027,18 +1221,36 @@ type
       seed: integer := -1
       );
 
-/// Обучает модель градиентного бустинга на обучающей выборке.
+/// Обучает модель градиентного бустинга для регрессии.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
 /// Обучение выполняется без early stopping.
 /// Для предотвращения переобучения используйте FitWithValidation.
 /// Early stopping работает только при наличии валидационной выборки
 /// и параметре earlyStoppingPatience > 0.
-/// Возвращает обученную модель.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
+    
 /// Предсказывает значения целевой переменной.
 /// Используются все обученные деревья.
     function Predict(X: Matrix): Vector;
-/// Создает глубокую копию модели.
-/// Копируются все деревья и внутреннее состояние.
+
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
     
 /// Обучает модель градиентного бустинга с использованием валидационной выборки.
@@ -1172,12 +1384,16 @@ type
       earlyStoppingPatience: integer := 20;
       seed: integer := -1);
 
-/// Обучает модель градиентного бустинга на обучающей выборке.
+/// Обучает модель градиентного бустинга для классификации.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с метками классов (целочисленные значения).
 /// Обучение выполняется без early stopping.
 /// Для предотвращения переобучения используйте FitWithValidation.
 /// Early stopping работает только при наличии валидационной выборки
 /// и параметре earlyStoppingPatience > 0.
-/// Возвращает обученную модель.
+///
+/// Примечание:
+///   • обученное состояние модели НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
     
 /// Обучает модель градиентного бустинга с использованием валидационной выборки.
@@ -1199,8 +1415,20 @@ type
     
     function GetClasses: array of real;
 
-/// Создает глубокую копию классификатора.
-/// Копируются все деревья и внутреннее состояние.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
 
 /// История значения LogLoss на обучающей выборке.
@@ -1285,15 +1513,33 @@ type
     /// weighting — режим взвешивания соседей
     constructor Create(k: integer; weighting: KNNWeighting := KNNWeighting.Uniform);
     
-    /// Обучает модель на матрице признаков X и целевом векторе y.
-    /// Возвращает текущий экземпляр модели
+/// Обучает модель k ближайших соседей.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с целевыми значениями.
+/// Обучение заключается в запоминании обучающей выборки.
+///
+/// Примечание:
+///   • обученное состояние модели (обучающая выборка) НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; virtual; abstract;
     
     /// Выполняет предсказание для матрицы признаков X.
     /// Возвращает вектор предсказанных значений или меток
     function Predict(X: Matrix): Vector; virtual; abstract;
     
-    /// Создаёт глубокую копию модели
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; virtual; abstract;
     
     function Name: string := Self.GetType.Name;
@@ -1326,9 +1572,13 @@ type
     /// weighting — режим взвешивания голосов соседей
     constructor Create(k: integer; weighting: KNNWeighting := KNNWeighting.Uniform);
     
-    /// Обучает модель на матрице признаков X и векторе меток y.
-    /// Метки классов могут быть произвольными числами.
-    /// Возвращает текущий экземпляр модели
+/// Обучает классификатор k ближайших соседей.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с метками классов (произвольные числовые значения).
+/// Обучение заключается в запоминании обучающей выборки.
+///
+/// Примечание:
+///   • обученное состояние модели (обучающая выборка) НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; override;
     
     /// Выполняет предсказание меток классов для объектов X.
@@ -1344,7 +1594,20 @@ type
     /// Возвращает массив меток классов в порядке столбцов PredictProba
     function GetClasses: array of real;
     
-    /// Создаёт глубокую копию классификатора
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; override;
     
     function Name: string := Self.GetType.Name;
@@ -1369,15 +1632,33 @@ type
     /// weighting — режим взвешивания вкладов соседей
     constructor Create(k: integer; weighting: KNNWeighting := KNNWeighting.Uniform);
     
-    /// Обучает модель на матрице признаков X и целевом векторе y.
-    /// Возвращает текущий экземпляр модели
+/// Обучает регрессор k ближайших соседей.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с непрерывными значениями.
+/// Обучение заключается в запоминании обучающей выборки.
+///
+/// Примечание:
+///   • обученное состояние модели (обучающая выборка) НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel; override;
     
     /// Выполняет предсказание числовых значений для объектов X.
     /// Возвращает вектор предсказанных значений
     function Predict(X: Matrix): Vector; override;
     
-    /// Создаёт глубокую копию регрессора
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel; override;
     
     function Name: string := Self.GetType.Name;
@@ -1423,8 +1704,12 @@ type
       seed: integer := -1
     );
 
-    /// Обучает модель по матрице признаков X.
-    /// Выполняет nInit запусков и выбирает решение с минимальной инерцией.
+/// Обучает модель k-средних по матрице признаков.
+///   X — матрица m × n (m объектов, n признаков).
+/// Выполняет nInit запусков и выбирает решение с минимальной инерцией.
+///
+/// Примечание:
+///   • обученное состояние модели (центры кластеров) НЕ копируется методом Clone
     function Fit(X: Matrix): IUnsupervisedModel;
     
     /// Возвращает индекс кластера для каждого объекта из X.
@@ -1438,7 +1723,20 @@ type
     /// Выполняет обучение и сразу возвращает метки кластеров.
     function FitPredict(X: Matrix): array of integer;
 
-    /// Создаёт глубокую копию модели.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
     
     /// Количество кластеров
@@ -1494,7 +1792,12 @@ type
       minSamples: integer := 5
     );
   
-    /// Обучает модель на матрице признаков.
+/// Обучает модель DBSCAN по матрице признаков.
+///   X — матрица m × n (m объектов, n признаков).
+/// Выполняет кластеризацию на основе плотности и определяет метки кластеров.
+///
+/// Примечание:
+///   • обученное состояние модели (метки кластеров) НЕ копируется методом Clone
     function Fit(X: Matrix): IUnsupervisedModel;
   
     /// Возвращает метки кластеров.
@@ -1503,7 +1806,20 @@ type
     /// Возвращает метки после обучения.
     function FitPredict(X: Matrix): array of integer;
     
-    /// Копия модели.
+/// Создаёт копию модели с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение моделей
+///
+/// Примечание:
+///   • для копирования обученной модели следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)   
     function Clone: IModel;
   
     property Labels: array of integer read fLabels;
@@ -1618,8 +1934,14 @@ type
     /// Добавляет преобразование в конец пайплайна
     function Add(t: ITransformer): Pipeline;
   
-    /// Обучает преобразования и модель
-    /// Модель может быть только supervised а трансформеры - любыми
+/// Обучает пайплайн на данных.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с целевыми значениями.
+/// Последовательно обучает все трансформеры и применяет их к данным,
+/// после чего обучает финальную supervised-модель.
+///
+/// Примечание:
+///   • обученное состояние пайплайна НЕ копируется методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedModel;
   
     /// Применяет только преобразования (без модели)
@@ -1636,7 +1958,17 @@ type
     property IsFitted: boolean read fFitted;
     
     function ToString: string; override;
-    
+
+/// Создаёт копию пайплайна с теми же шагами и моделью.
+///
+/// ВАЖНО:
+///   • Clone копирует только конфигурацию (transformers и модель)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Все шаги и модель клонируются через их Clone (config-only)
+///
+/// Назначение:
+///   • использование в CrossValidate и Pipeline
+///   • обеспечивает независимое переобучение пайплайна    
     function Clone: IModel;
     
     function Name: string := Self.GetType.Name;
@@ -1656,6 +1988,13 @@ type
     function SetModel(m: IModel): UPipeline;
     function Add(t: ITransformer): UPipeline;
   
+/// Обучает пайплайн на данных.
+///   X — матрица m × n (m объектов, n признаков).
+/// Последовательно обучает все трансформеры и применяет их к данным,
+/// после чего обучает финальную модель.
+///
+/// Примечание:
+///   • обученное состояние пайплайна НЕ копируется методом Clone  
     function Fit(X: Matrix): IUnsupervisedModel;
     function Transform(X: Matrix): Matrix;
     function Predict(X: Matrix): Vector;
@@ -1663,6 +2002,17 @@ type
     property IsFitted: boolean read fFitted;
   
     function ToString: string; override;
+    
+/// Создаёт копию пайплайна с теми же шагами и моделью.
+///
+/// ВАЖНО:
+///   • Clone копирует только конфигурацию (transformers и модель)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Все шаги и модель клонируются через их Clone (config-only)
+///
+/// Назначение:
+///   • использование в CrossValidate и Pipeline
+///   • обеспечивает независимое переобучение пайплайна    
     function Clone: IModel;
     function Name: string := Self.GetType.Name;
   end;
@@ -1685,7 +2035,13 @@ type
     /// Параметры масштабирования (среднее и стандартное отклонение)
     ///   вычисляются при вызове Fit.
     constructor Create(); begin end;
-    /// Вычисляет среднее и стандартное отклонение по каждому признаку.
+    
+/// Вычисляет среднее и стандартное отклонение по каждому признаку.
+///   X — матрица m × n (m объектов, n признаков).
+/// Сохраняет параметры масштабирования для последующего применения в Transform.
+///
+/// Примечание:
+///   • вычисленные параметры НЕ копируются методом Clone
     function Fit(X: Matrix): IUnsupervisedTransformer;
   
     /// Применяет стандартизацию к данным.
@@ -1702,6 +2058,20 @@ type
 
     function ToString: string; override;
     
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)
     function Clone: ITransformer;
   end;
   
@@ -1720,7 +2090,13 @@ type
     /// Создаёт MinMaxScaler с диапазоном [rangeMin, rangeMax].
     /// По умолчанию масштабирование выполняется к [0, 1]
     constructor Create(rangeMin: real := 0.0; rangeMax: real := 1.0);
-    /// Вычисляет минимальные и максимальные значения по каждому признаку.
+    
+/// Вычисляет минимальные и максимальные значения по каждому признаку.
+///   X — матрица m × n (m объектов, n признаков).
+/// Сохраняет параметры масштабирования для последующего применения в Transform.
+///
+/// Примечание:
+///   • вычисленные параметры НЕ копируются методом Clone
     function Fit(X: Matrix): IUnsupervisedTransformer;
   
     /// Применяет линейное масштабирование признаков к диапазону [0, 1].
@@ -1736,7 +2112,21 @@ type
     property IsFitted: boolean read fFitted;
 
     function ToString: string; override;
-    
+
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)    
     function Clone: ITransformer;
   end;
   
@@ -1758,8 +2148,13 @@ type
     ///   • k — число главных компонент (k > 0).
     constructor Create(k: integer);
   
-    /// Обучает трансформер на матрице признаков X.
-    ///   X — матрица m × n.
+/// Обучает трансформер PCA на матрице признаков.
+///   X — матрица m × n (m объектов, n признаков).
+/// Вычисляет главные компоненты и среднее значение признаков
+/// для последующего снижения размерности в Transform.
+///
+/// Примечание:
+///   • вычисленные параметры НЕ копируются методом Clone
     function Fit(X: Matrix): IUnsupervisedTransformer;
   
     /// Преобразует матрицу X в пространство главных компонент.
@@ -1771,6 +2166,21 @@ type
     property IsFitted: boolean read fFitted;
 
     function ToString: string; override;
+
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)    
     function Clone: ITransformer;    
   end;
   
@@ -1790,8 +2200,13 @@ type
     /// Столбцы с Var(X_j) < threshold удаляются.
     constructor Create(threshold: real := 0.0);
   
-    /// Вычисляет дисперсии признаков и запоминает индексы
-    /// признаков, удовлетворяющих порогу.
+/// Вычисляет дисперсии признаков и выбирает признаки,
+/// удовлетворяющие заданному порогу.
+///   X — матрица m × n (m объектов, n признаков).
+/// Сохраняет индексы выбранных признаков для последующего применения в Transform.
+///
+/// Примечание:
+///   • выбранные признаки НЕ копируются методом Clone
     function Fit(X: Matrix): IUnsupervisedTransformer;
   
     /// Возвращает матрицу, содержащую только отобранные признаки.
@@ -1804,6 +2219,21 @@ type
     property IsFitted: boolean read fFitted;
 
     function ToString: string; override;
+    
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)    
     function Clone: ITransformer;
   end;
   
@@ -1866,7 +2296,13 @@ type
     ///   • scoreFunc — функция (feature, y) → real
     constructor Create(k: integer; scoreFunc: (Vector, Vector) -> real);
 
-    /// Вычисляет оценки признаков и выбирает k лучших.
+/// Вычисляет оценки признаков и выбирает k лучших.
+///   X — матрица m × n (m объектов, n признаков).
+///   y — вектор длины m с целевыми значениями.
+/// Сохраняет индексы выбранных признаков для последующего применения в Transform.
+///
+/// Примечание:
+///   • выбранные признаки НЕ копируются методом Clone
     function Fit(X: Matrix; y: Vector): ISupervisedTransformer;
   
     /// Возвращает матрицу, содержащую только выбранные признаки.
@@ -1881,8 +2317,20 @@ type
 /// Возвращает строковое представление трансформера
     function ToString: string; override;
 
-/// Создает глубокую копию.
-/// Копируются параметры и внутреннее состояние.
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)
     function Clone: ITransformer;
   end;
   
@@ -1906,8 +2354,13 @@ type
 /// По умолчанию используется L2-норма.
     constructor Create(norm: NormType := NormType.L2);
   
-/// Подготавливает трансформер к работе.
-/// Для Normalizer этап обучения может быть формальным, так как параметры не накапливаются.
+/// Подготавливает трансформер нормализации к работе.
+///   X — матрица m × n (m объектов, n признаков).
+/// Нормализация выполняется независимо для каждой строки,
+/// поэтому этап Fit является формальным и не накапливает параметры.
+///
+/// Примечание:
+///   • у трансформера отсутствует обученное состояние
     function Fit(X: Matrix): IUnsupervisedTransformer;
 
 /// Применяет нормализацию к матрице X.
@@ -1922,8 +2375,20 @@ type
 /// Возвращает строковое представление трансформера
     function ToString: string; override;
     
-/// Создает глубокую копию нормализатора.
-/// Копируются параметры и внутреннее состояние.
+/// Создаёт копию трансформера с теми же гиперпараметрами.
+///
+/// ВАЖНО:
+///   • Clone копирует ТОЛЬКО конфигурацию (hyperparameters)
+///   • Clone НЕ копирует обученное состояние (fitted state)
+///   • Возвращаемый объект эквивалентен новому экземпляру после Create(...)
+///
+/// Назначение:
+///   • использование в CrossValidate, GridSearch и Pipeline
+///   • гарантирует независимое переобучение трансформеров
+///
+/// Примечание:
+///   • для копирования обученного трансформера следует использовать отдельные механизмы
+///     (сериализация, ModelIO и т.п.)
     function Clone: ITransformer;
   end;
   
@@ -2152,6 +2617,8 @@ const
     'Необходимо как минимум два различных класса!!At least two distinct classes are required';  
   ER_UNKNOWN_CLASS_LABEL =
     'Неизвестная метка класса: {0}!!Unknown class label: {0}';
+  ER_MAX_FEATURES_INVALID =
+    'maxFeatures должен быть >= 0!!maxFeatures must be >= 0';    
     
 {$endregion ErrConstants}  
 
@@ -2285,16 +2752,7 @@ end;
 
 function LinearRegression.Clone: IModel;
 begin
-  var m := new LinearRegression;
-
-  m.fFitted := fFitted;
-
-  if fCoef <> nil then
-    m.fCoef := fCoef.Clone;
-
-  m.fIntercept := fIntercept;
-
-  Result := m;
+  Result := new LinearRegression;
 end;
 
 //-----------------------------
@@ -2421,16 +2879,7 @@ end;
 
 function RidgeRegression.Clone: IModel;
 begin
-  var m := new RidgeRegression(fLambda);
-
-  m.fFitted := fFitted;
-
-  if fCoef <> nil then
-    m.fCoef := fCoef.Clone;
-
-  m.fIntercept := fIntercept;
-
-  Result := m;
+  Result := new RidgeRegression(fLambda);
 end;
 
 
@@ -2623,16 +3072,7 @@ end;
 
 function ElasticNet.Clone: IModel;
 begin
-  var m := new ElasticNet(fLambda1, fLambda2, fMaxIter, fTol);
-
-  m.fFitted := fFitted;
-
-  if fCoef <> nil then
-    m.fCoef := fCoef.Clone;
-
-  m.fIntercept := fIntercept;
-
-  Result := m;
+  Result := new ElasticNet(fLambda1, fLambda2, fMaxIter, fTol);
 end;
 
 //-----------------------------
@@ -2641,8 +3081,12 @@ end;
 
 constructor LassoRegression.Create(alpha: real; maxIter: integer; tol: real);
 begin
+  fAlpha := alpha;
+  fMaxIter := maxIter;
+  fTol := tol;
+
   // Lasso = ElasticNet с L2 = 0
-  fModel := new ElasticNet(alpha, 0.0, maxIter, tol);
+  fModel := new ElasticNet(fAlpha, 0.0, fMaxIter, fTol);
 end;
 
 function LassoRegression.Fit(X: Matrix; y: Vector): ISupervisedModel;
@@ -2658,9 +3102,7 @@ end;
 
 function LassoRegression.Clone: IModel;
 begin
-  var m := new LassoRegression;
-  m.fModel := ElasticNet(fModel.Clone);
-  Result := m;
+  Result := new LassoRegression(fAlpha, fMaxIter, fTol);
 end;
 
 //-----------------------------
@@ -2956,36 +3398,14 @@ end;
 
 function LogisticRegression.Clone: IModel;
 begin
-  var m := new LogisticRegression(
+  Result := new LogisticRegression(
     fLambda,
     fLearningRate,
-    fEpochs
+    fEpochs,
+    fTol,
+    fCheckConvergence,
+    fMinImprovement
   );
-
-  m.fFitted := fFitted;
-  m.fClassCount := fClassCount;
-
-  if fW <> nil then
-    m.fW := fW.Clone;
-
-  if fIntercept <> nil then
-    m.fIntercept := fIntercept.Clone;
-
-  if fClassToIndex <> nil then
-  begin
-    m.fClassToIndex := new Dictionary<integer, integer>;
-    foreach var kv in fClassToIndex do
-      m.fClassToIndex[kv.Key] := kv.Value;
-  end;
-
-  if fIndexToClass <> nil then
-  begin
-    SetLength(m.fIndexToClass, Length(fIndexToClass));
-    for var i := 0 to Length(fIndexToClass) - 1 do
-      m.fIndexToClass[i] := fIndexToClass[i];
-  end;
-
-  Result := m;
 end;
 
 function LogisticRegression.GetWeights: Matrix;
@@ -3172,18 +3592,7 @@ begin
   fCriterion := criterion;
   fMaxFeatures := maxFeatures;
 
-  // --- seed (в твоём стиле)
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := false;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := true;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
 end;
 
@@ -3531,17 +3940,7 @@ begin
   fMinSamplesLeaf := minSamplesLeaf;
   fCriterion := criterion;
 
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := false;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := true;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
 end;
 
@@ -3832,7 +4231,11 @@ end;
 //    DecisionTreeClassifier
 //==============================
 
-constructor DecisionTreeClassifier.Create(maxDepth: integer; minSamplesSplit: integer; minSamplesLeaf: integer; criterion: ISplitCriterion; seed: integer);
+constructor DecisionTreeClassifier.Create(maxDepth: integer; 
+  minSamplesSplit: integer; minSamplesLeaf: integer; 
+  criterion: ISplitCriterion; 
+  maxFeatures: integer;
+  seed: integer);
 begin
   if maxDepth = 0 then
     ArgumentOutOfRangeError(ER_MAX_DEPTH_INVALID, maxDepth);
@@ -3845,23 +4248,18 @@ begin
 
   if minSamplesLeaf >= minSamplesSplit then
     ArgumentOutOfRangeError(ER_MIN_LEAF_GE_SPLIT, minSamplesLeaf, minSamplesSplit);
+  
+  if maxFeatures < 0 then
+    ArgumentOutOfRangeError(ER_MAX_FEATURES_INVALID);
+
+  fMaxFeatures := maxFeatures;
 
   fMaxDepth := maxDepth;
   fMinSamplesSplit := minSamplesSplit;
   fMinSamplesLeaf := minSamplesLeaf;
   fCriterion := if criterion = nil then new GiniCriterion else criterion;
 
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := false;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := true;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
 end;
 
@@ -3974,58 +4372,14 @@ end;
 
 function DecisionTreeClassifier.Clone: IModel;
 begin
-  var m := new DecisionTreeClassifier(
+  Result := new DecisionTreeClassifier(
     fMaxDepth,
     fMinSamplesSplit,
     fMinSamplesLeaf,
     fCriterion,
+    fMaxFeatures,
     fRandomSeed
   );
-
-  m.fMaxDepth := fMaxDepth;
-  m.fMinSamplesSplit := fMinSamplesSplit;
-  m.fMinSamplesLeaf := fMinSamplesLeaf;
-  m.fFitted := fFitted;
-  m.fRandomSeed := fRandomSeed;
-  m.fMaxFeatures := fMaxFeatures;
-  m.fUserProvidedSeed := fUserProvidedSeed;
-  
-  if fUserProvidedSeed then
-    m.fRng := new System.Random(fRandomSeed)
-  else
-    m.fRng := new System.Random;
-  
-  if fCriterion <> nil then
-    m.fCriterion := fCriterion;
-  
-  if fFeatureImportances <> nil then
-    m.fFeatureImportances := fFeatureImportances.Clone;
-
-  // --- classes (единственный источник истины)
-  if fIndexToClass <> nil then
-  begin
-    SetLength(m.fIndexToClass, Length(fIndexToClass));
-    for var i := 0 to Length(fIndexToClass) - 1 do
-      m.fIndexToClass[i] := fIndexToClass[i];
-  end;
-
-  // --- core (глубокая копия дерева)
-  if fCore <> nil then
-  begin
-    // предполагаем, что Node.Clone уже есть
-    m.fCore := new DecisionTreeCore(
-      fMaxDepth,
-      fMinSamplesSplit,
-      fMinSamplesLeaf,
-      fCriterion,
-      fMaxFeatures,
-      fRandomSeed
-    );
-
-    m.fCore.fRoot := fCore.fRoot.Clone; 
-  end;
-
-  Result := m;
 end;
 
 function DecisionTreeClassifier.ToString: string;
@@ -4210,17 +4564,13 @@ end;
 
 function DecisionTreeRegressor.Clone: IModel;
 begin
-  var m := new DecisionTreeRegressor(
+  Result := new DecisionTreeRegressor(
     fMaxDepth,
     fMinSamplesSplit,
     fMinSamplesLeaf,
     fLeafL2,
     fRandomSeed
   );
-
-  CopyBaseState(m);
-  
-  Result := m;
 end;
 
 function DecisionTreeRegressor.ToString: string;
@@ -4279,17 +4629,7 @@ begin
   fUseOOB := useOOB;
   fOOBScore := real.NaN;
   
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := false;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := true;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
 end;
 
@@ -4482,7 +4822,7 @@ end;
 
 function RandomForestRegressor.Clone: IModel;
 begin
-  var rf := new RandomForestRegressor(
+  Result := new RandomForestRegressor(
     fNTrees,
     fMaxDepth,
     fMinSamplesSplit,
@@ -4491,31 +4831,6 @@ begin
     fUseOOB,
     fRandomSeed
   );
-
-  // --- seed ---
-  rf.fRandomSeed := fRandomSeed;
-  rf.fUserProvidedSeed := fUserProvidedSeed;
-
-  if fUserProvidedSeed then
-    rf.fRng := new System.Random(fRandomSeed)
-  else
-    rf.fRng := new System.Random;
-
-  rf.fFitted := fFitted;
-  rf.fFeatureCount := fFeatureCount;
-
-  rf.fOOBScore := fOOBScore;
-  rf.fHasOOBScore := fHasOOBScore;
-
-  // --- trees ---
-  if fTrees <> nil then
-  begin
-    SetLength(rf.fTrees, fTrees.Length);
-    for var i := 0 to fTrees.Length - 1 do
-      rf.fTrees[i] := DecisionTreeRegressor(fTrees[i].Clone);
-  end;
-
-  Result := rf;
 end;
 
 function RandomForestRegressor.FeatureImportances: Vector;
@@ -4841,7 +5156,7 @@ end;
 
 function RandomForestClassifier.Clone: IModel;
 begin
-  var rf := new RandomForestClassifier(
+  Result := new RandomForestClassifier(
     fNTrees,
     fMaxDepth,
     fMinSamplesSplit,
@@ -4850,45 +5165,6 @@ begin
     fUseOOB,
     fRandomSeed
   );
-
-  // --- seed ---
-  rf.fRandomSeed := fRandomSeed;
-  rf.fUserProvidedSeed := fUserProvidedSeed;
-
-  if fUserProvidedSeed then
-    rf.fRng := new System.Random(fRandomSeed)
-  else
-    rf.fRng := new System.Random;
-
-  rf.fFitted := fFitted;
-  rf.fFeatureCount := fFeatureCount;
-
-  // --- classes ---
-  rf.fClassCount := fClassCount;
-
-  if fIndexToClass <> nil then
-    rf.fIndexToClass := Copy(fIndexToClass);
-
-  if fClassToIndex <> nil then
-  begin
-    rf.fClassToIndex := new Dictionary<integer, integer>;
-    foreach var kv in fClassToIndex do
-      rf.fClassToIndex.Add(kv.Key, kv.Value);
-  end;
-
-  // --- OOB ---
-  rf.fOOBScore := fOOBScore;
-  rf.fHasOOBScore := fHasOOBScore;
-
-  // --- trees ---
-  if fTrees <> nil then
-  begin
-    SetLength(rf.fTrees, fTrees.Length);
-    for var i := 0 to fTrees.Length - 1 do
-      rf.fTrees[i] := fTrees[i].Clone;
-  end;
-
-  Result := rf;
 end;
 
 function RandomForestClassifier.FeatureImportances: Vector;
@@ -5045,17 +5321,7 @@ begin
   fEstimators := new List<DecisionTreeRegressor>;
   fFitted := false;
   
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := false;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := true;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
   
 // -------------  
@@ -5702,7 +5968,7 @@ end;
 
 function GradientBoostingRegressor.Clone: IModel;
 begin
-  var copy := new GradientBoostingRegressor(
+  Result := new GradientBoostingRegressor(
     fNEstimators,
     fLearningRate,
     fMaxDepth,
@@ -5717,45 +5983,8 @@ begin
     fUseOOBEarlyStopping,
     fRandomSeed
   );
-
-  // --- seed ---
-  copy.fRandomSeed := fRandomSeed;
-  copy.fUserProvidedSeed := fUserProvidedSeed;
-
-  if fUserProvidedSeed then
-    copy.fRng := new System.Random(fRandomSeed)
-  else
-    copy.fRng := new System.Random;
-
-  // --- basic state ---
-  copy.fInitValue := fInitValue;
-  copy.fFeatureCount := fFeatureCount;
-  copy.fFitted := fFitted;
-
-  // --- best iteration ---
-  copy.fBestIteration := fBestIteration;
-  copy.fBestTrainLoss := fBestTrainLoss;
-  copy.fBestScoreLoss := fBestScoreLoss;
-
-  // --- histories ---
-  copy.fTrainLossHistory.Clear;
-  copy.fTrainLossHistory.AddRange(fTrainLossHistory);
-
-  copy.fValLossHistory.Clear;
-  copy.fValLossHistory.AddRange(fValLossHistory);
-
-  copy.fOOBLossHistory.Clear;
-  copy.fOOBLossHistory.AddRange(fOOBLossHistory);
-
-  // --- estimators ---
-  copy.fEstimators.Clear;
-  foreach var tree in fEstimators do
-    copy.fEstimators.Add(tree.Clone as DecisionTreeRegressor);
-
-  Result := copy;
 end;
 
-
 //-----------------------------
 // GradientBoostingClassifier 
 //-----------------------------
@@ -6345,17 +6574,7 @@ begin
   
   fOOBLossHistory := new List<real>;
   
-  if seed < 0 then
-  begin
-    fUserProvidedSeed := False;
-    fRandomSeed := System.Environment.TickCount and integer.MaxValue;
-  end
-  else
-  begin
-    fUserProvidedSeed := True;
-    fRandomSeed := seed;
-  end;
-
+  fRandomSeed := ResolveRandomSeed(seed, fUserProvidedSeed);
   fRng := new System.Random(fRandomSeed);
 end;
 
@@ -6566,7 +6785,7 @@ end;
 
 function GradientBoostingClassifier.Clone: IModel;
 begin
-  var model := new GradientBoostingClassifier(
+  Result := new GradientBoostingClassifier(
     fNEstimators,
     fLearningRate,
     fMaxDepth,
@@ -6576,54 +6795,6 @@ begin
     fEarlyStoppingPatience,
     fRandomSeed
   );
-
-  // --- seed ---
-  model.fRandomSeed := fRandomSeed;
-  model.fUserProvidedSeed := fUserProvidedSeed;
-
-  if fUserProvidedSeed then
-    model.fRng := new System.Random(fRandomSeed)
-  else
-    model.fRng := new System.Random;
-
-  // --- fitted state ---
-  model.fFitted := fFitted;
-  model.fFeatureCount := fFeatureCount;
-  model.fClassCount := fClassCount;
-
-  // --- classes ---
-  if fClasses <> nil then
-  begin
-    SetLength(model.fClasses, Length(fClasses));
-    for var i := 0 to Length(fClasses) - 1 do
-      model.fClasses[i] := fClasses[i];
-  end;
-
-  if fClassIndex <> nil then
-  begin
-    model.fClassIndex := new Dictionary<integer, integer>;
-    foreach var kv in fClassIndex do
-      model.fClassIndex.Add(kv.Key, kv.Value);
-  end;
-
-  // --- estimators ---
-  foreach var trees in fEstimators do
-  begin
-    var newTrees := new DecisionTreeRegressor[Length(trees)];
-    for var cls := 0 to Length(trees) - 1 do
-      newTrees[cls] := trees[cls].Clone as DecisionTreeRegressor;
-    model.fEstimators.Add(newTrees);
-  end;
-
-  // --- histories ---
-  foreach var v in fTrainLossHistory do model.fTrainLossHistory.Add(v);
-  foreach var v in fValLossHistory do model.fValLossHistory.Add(v);
-  foreach var v in fOOBLossHistory do model.fOOBLossHistory.Add(v);
-
-  model.fBestIteration := fBestIteration;
-  model.fBestScoreLoss := fBestScoreLoss;
-
-  Result := model;
 end;
 
 function GradientBoostingClassifier.Fit(X: Matrix; y: Vector): ISupervisedModel;
@@ -6869,26 +7040,7 @@ end;
 
 function KNNClassifier.Clone: IModel;
 begin
-  var clone := new KNNClassifier(fK, fWeighting);
-
-  if fFitted then
-  begin
-    clone.fXTrain := fXTrain.Clone;
-    clone.fClasses := fClasses.Clone as array of double;
-    clone.fYEnc := fYEnc.Clone as array of integer;
-
-    clone.fClassCount := fClassCount;
-
-    SetLength(clone.fNeighbors, fNeighbors.Length);
-    SetLength(clone.fVotes, fVotes.Length);
-    SetLength(clone.fMark, fMark.Length);
-    SetLength(clone.fTouched, fTouched.Length);
-
-    clone.fEpoch := 0;
-    clone.fFitted := true;
-  end;
-
-  Result := clone;
+  Result := new KNNClassifier(fK, fWeighting);
 end;
 
 function KNNClassifier.Predict(X: Matrix): Vector;
@@ -7301,19 +7453,7 @@ end;
 
 function KNNRegressor.Clone: IModel;
 begin
-  var clone := new KNNRegressor(fK, fWeighting);
-
-  if fFitted then
-  begin
-    clone.fXTrain := fXTrain.Clone;
-    clone.fYTrain := fYTrain.Clone;
-
-    SetLength(clone.fNeighbors, fNeighbors.Length);
-
-    clone.fFitted := True;
-  end;
-
-  Result := clone;
+  Result := new KNNRegressor(fK, fWeighting);
 end;
 
 //-----------------------------
@@ -7605,35 +7745,13 @@ end;
 
 function KMeans.Clone: IModel;
 begin
-  var km := new KMeans(
+  Result := new KMeans(
     fNClusters,
     fMaxIter,
     fTol,
     fNInit,
     fRandomSeed
   );
-
-  // --- seed ---
-  km.fRandomSeed := fRandomSeed;
-  km.fUserProvidedSeed := fUserProvidedSeed;
-
-  if fUserProvidedSeed then
-    km.fRng := new System.Random(fRandomSeed)
-  else
-    km.fRng := new System.Random;
-
-  // --- state ---
-  km.fFitted := fFitted;
-  km.fFeatureCount := fFeatureCount;
-  km.fInertia := fInertia;
-  km.fIterations := fIterations;
-  km.fHasConverged := fHasConverged;
-
-  // --- centers ---
-  if fCenters <> nil then
-    km.fCenters := fCenters.Clone;
-
-  Result := km;
 end;
 
 function KMeans.ClustersCount: integer;
@@ -7648,10 +7766,7 @@ end;
 //           DBSCAN 
 //-----------------------------
 
-constructor DBSCAN.Create(
-  eps: real;
-  minSamples: integer
-);
+constructor DBSCAN.Create(eps: real; minSamples: integer);
 begin
   if eps <= 0 then
     ArgumentOutOfRangeError(ER_EPS_INVALID, eps);
@@ -7795,22 +7910,7 @@ end;
 
 function DBSCAN.Clone: IModel;
 begin
-  var m := new DBSCAN(fEps, fMinSamples);
-
-  m.fFitted := fFitted;
-  m.fFeatureCount := fFeatureCount;
-  m.fClusterCount := fClusterCount;
-
-  if fLabels <> nil then
-  begin
-    var n := Length(fLabels);
-    SetLength(m.fLabels, n);
-
-    for var i := 0 to n - 1 do
-      m.fLabels[i] := fLabels[i];
-  end;
-
-  Result := m;
+  Result := new DBSCAN(fEps, fMinSamples);
 end;
 
 function DBSCAN.ClustersCount: integer := fClusterCount;
@@ -8019,10 +8119,8 @@ begin
 
   if not (m is ISupervisedModel) then
     Error(ER_INTERNAL_INVALID_MODEL_CLONE);
-  
+
   p.SetModel(m as ISupervisedModel);
-  
-  p.fFitted := fFitted;
 
   Result := p;
 end;
@@ -8205,8 +8303,6 @@ begin
 
   p.SetModel(fModel.Clone);
 
-  p.fFitted := fFitted;
-
   Result := p;
 end;
 
@@ -8264,12 +8360,7 @@ end;
 
 function StandardScaler.Clone: ITransformer;
 begin
-  var s := new StandardScaler;
-  s.fMean := fMean.Clone;
-  s.fStd := fStd.Clone;
-  s.fFitted := fFitted;
-  s.fFeatureCount := fFeatureCount;
-  Result := s;
+  Result := new StandardScaler;
 end;
 
 //-----------------------------
@@ -8354,14 +8445,7 @@ end;
 
 function MinMaxScaler.Clone: ITransformer;
 begin
-  var s := new MinMaxScaler;
-  s.fMin := fMin.Clone;
-  s.fMax := fMax.Clone;
-  s.fFitted := fFitted;
-  s.fRangeMin := fRangeMin;
-  s.fRangeMax := fRangeMax;
-  s.fFeatureCount := fFeatureCount;
-  Result := s;
+  Result := new MinMaxScaler(fRangeMin, fRangeMax);
 end;
 
 //-----------------------------
@@ -8442,12 +8526,7 @@ end;
 
 function PCATransformer.Clone: ITransformer;
 begin
-  var t := new PCATransformer(fK);
-  t.fComponents := fComponents.Clone;
-  t.fMean := fMean.Clone;
-  t.fFitted := fFitted;
-  t.fFeatureCount := fFeatureCount;
-  Result := t;
+  Result := new PCATransformer(fK);
 end;
 
 //-----------------------------
@@ -8526,11 +8605,7 @@ end;
 
 function VarianceThreshold.Clone: ITransformer;
 begin
-  var t := new VarianceThreshold(fThreshold);
-  t.fSelected := Copy(fSelected);
-  t.fFitted := fFitted;
-  t.fFeatureCount := fFeatureCount;
-  Result := t;
+  Result := new VarianceThreshold(fThreshold);
 end;
 
 //-----------------------------
@@ -8863,17 +8938,10 @@ end;
 
 function SelectKBest.Clone: ITransformer;
 begin
-  var t := new SelectKBest(fK, fScoreType);
-
-  t.fScoreFunc := fScoreFunc;
-
-  if fSelected <> nil then
-    t.fSelected := Copy(fSelected);
-
-  t.fFeatureCount := fFeatureCount;   
-  t.fFitted := fFitted;
-
-  Result := t;
+  if fScoreFunc <> nil then
+    Result := new SelectKBest(fK, fScoreFunc)
+  else
+    Result := new SelectKBest(fK, fScoreType);
 end;
 
 //-----------------------------
@@ -8954,11 +9022,7 @@ end;
 
 function Normalizer.Clone: ITransformer;
 begin
-  var t := new Normalizer(fNormType);
-  t.fFitted := fFitted;
-  t.fFeatureCount := fFeatureCount;
-  Result := t;
+  Result := new Normalizer(fNormType);
 end;
-
     
 end.
\ No newline at end of file
diff --git a/bin/Lib/MLUtilsABC.pas b/bin/Lib/MLUtilsABC.pas
index 3c1b13987..2937fdfb0 100644
--- a/bin/Lib/MLUtilsABC.pas
+++ b/bin/Lib/MLUtilsABC.pas
@@ -8,6 +8,24 @@ interface
 
 uses LinearAlgebraML;
 
+/// Определяет фактический seed для генератора случайных чисел.
+///
+/// Если seed >= 0:
+///   • используется заданное пользователем значение
+///   • userProvided := true
+///
+/// Если seed < 0:
+///   • генерируется псевдослучайный seed на основе системного времени
+///   • userProvided := false
+///
+/// Возвращает:
+///   • неотрицательный seed, используемый для инициализации RNG
+///
+/// Назначение:
+///   • обеспечить единое поведение случайности во всех моделях
+///   • сохранить воспроизводимость при явном задании seed
+function ResolveRandomSeed(seed: integer; var userProvided: boolean): integer;
+
 /// Преобразует вектор меток классов в массив целых чисел.
 /// Используется при визуализации и других задачах,
 ///   где метки должны быть представлены как 0,1,2,...
@@ -70,6 +88,20 @@ const
     'Индекс метки {0} вне диапазона [0, {1})!!Label index {0} is out of range [0, {1})';
    
 
+function ResolveRandomSeed(seed: integer; var userProvided: boolean): integer;
+begin
+  if seed < 0 then
+  begin
+    userProvided := false;
+    Result := System.Environment.TickCount and integer.MaxValue;
+  end
+  else
+  begin
+    userProvided := true;
+    Result := seed;
+  end;
+end;
+
 function LabelsToInts(y: Vector): array of integer;
 begin
   if y = nil then
diff --git a/bin/Lib/PreprocessorABC.pas b/bin/Lib/PreprocessorABC.pas
index 469df3f99..44315ad82 100644
--- a/bin/Lib/PreprocessorABC.pas
+++ b/bin/Lib/PreprocessorABC.pas
@@ -53,11 +53,18 @@ type
     /// Создаёт LabelEncoder для указанного столбца
     constructor Create(column: string);
   
-    /// Определяет множество категорий и сохраняет их коды
+/// Определяет множество категорий столбца и сохраняет их числовое кодирование.
+///   df — таблица данных.
+/// Сохраняет отображение категорий в числовые коды для последующего применения.
+///
+/// Примечание:
+///   • отображение категорий НЕ копируется методом Clone    
     function Fit(df: DataFrame): IPreprocessor;
+    
     /// Заменяет категории их числовыми кодами
     /// Возвращает новый DataFrame
     function Transform(df: DataFrame): DataFrame;
+    
     /// Выполняет Fit и Transform последовательно
     function FitTransform(df: DataFrame): DataFrame;
     
@@ -65,6 +72,15 @@ type
     
     property ColumnName: string read col;
     
+/// Создаёт копию препроцессора с той же конфигурацией.
+///
+/// ВАЖНО:
+///   • Clone копирует только конфигурацию (например, имя столбца)
+///   • Clone НЕ копирует обученное состояние (mapping, статистики и т.п.)
+///
+/// Назначение:
+///   • использование в Pipeline и CrossValidate
+///   • обеспечивает независимое переобучение препроцессоров
     function Clone: IPreprocessor;
   end;
 
@@ -82,8 +98,14 @@ type
     /// Создаёт OneHotEncoder для указанного столбца
     constructor Create(column: string);
   
-    /// Определяет множество категорий столбца
+/// Определяет множество категорий столбца.
+///   df — таблица данных.
+/// Сохраняет категории для последующего преобразования в one-hot представление.
+///
+/// Примечание:
+///   • категории НЕ копируются методом Clone
     function Fit(df: DataFrame): IPreprocessor;
+    
     /// Заменяет столбец набором бинарных столбцов
     /// Возвращает новый DataFrame
     function Transform(df: DataFrame): DataFrame;
@@ -93,7 +115,16 @@ type
     function ToString: string; override;
     
     property ColumnName: string read col;
-    
+
+/// Создаёт копию препроцессора с той же конфигурацией.
+///
+/// ВАЖНО:
+///   • Clone копирует только конфигурацию (например, имя столбца)
+///   • Clone НЕ копирует обученное состояние (mapping, статистики и т.п.)
+///
+/// Назначение:
+///   • использование в Pipeline и CrossValidate
+///   • обеспечивает независимое переобучение препроцессоров    
     function Clone: IPreprocessor;
   end;
 
@@ -118,11 +149,19 @@ type
     /// Создаёт Imputer с константной стратегией заполнения
     constructor Create(value: object; params columns: array of string);
   
-    /// Вычисляет значения для заполнения пропусков
+/// Вычисляет значения для заполнения пропусков.
+///   df — таблица данных.
+/// В зависимости от стратегии вычисляет параметры заполнения
+/// (например, среднее, медиану или константу) для каждого столбца.
+///
+/// Примечание:
+///   • вычисленные параметры НЕ копируются методом Clone
     function Fit(df: DataFrame): IPreprocessor;
+    
     /// Заполняет пропущенные значения в DataFrame
     /// Возвращает новый DataFrame
     function Transform(df: DataFrame): DataFrame;
+    
     /// Выполняет Fit и Transform последовательно
     function FitTransform(df: DataFrame): DataFrame;
     
@@ -130,6 +169,15 @@ type
     
     property Columns: array of string read cols;
     
+/// Создаёт копию препроцессора с той же конфигурацией.
+///
+/// ВАЖНО:
+///   • Clone копирует только конфигурацию (например, имя столбца)
+///   • Clone НЕ копирует обученное состояние (mapping, статистики и т.п.)
+///
+/// Назначение:
+///   • использование в Pipeline и CrossValidate
+///   • обеспечивает независимое переобучение препроцессоров    
     function Clone: IPreprocessor;
   end;
   
@@ -262,7 +310,7 @@ begin
   var n := df.RowCount;
 
   var data := new integer[n];
-  var valid: array of boolean := nil;
+  var valid := new boolean[n];
 
   var cur := df.GetCursor;
   var row := 0;
@@ -270,13 +318,7 @@ begin
   begin
     if not cur.IsValid(idx) then
     begin
-      if valid = nil then
-      begin
-        valid := new boolean[n];
-        for var j := 0 to row - 1 do
-          valid[j] := true;
-      end;
-      valid[row] := false;
+      valid[row] := False;
       data[row] := 0;
     end
     else
@@ -287,8 +329,7 @@ begin
         Error(ER_LABELENCODER_UNSEEN_CATEGORY, s);
 
       data[row] := mapping[s];
-      if valid <> nil then
-        valid[row] := true;
+      valid[row] := True;
     end;
 
     row += 1;