model

type AdaptiveLearning interface {
	// GetLearningRate は現在の学習率を返す
	GetLearningRate() float64

	// SetLearningRate は学習率を設定する
	SetLearningRate(lr float64)

	// GetLearningRateSchedule は学習率スケジュールを返す
	// "constant", "optimal", "invscaling", "adaptive" など
	GetLearningRateSchedule() string

	// SetLearningRateSchedule は学習率スケジュールを設定する
	SetLearningRateSchedule(schedule string)
}

type BaseEstimator struct {
	// State はモデルの学習状態を保持します。gobでエンコードするために公開されています。
	State EstimatorState
	// contains filtered or unexported fields
}

type Batch struct {
	X mat.Matrix // 特徴量行列
	Y mat.Matrix // ターゲット行列
}

type BufferedStreaming interface {
	// SetBufferSize はストリーミングバッファのサイズを設定
	SetBufferSize(size int)

	// GetBufferSize は現在のバッファサイズを返す
	GetBufferSize() int

	// FlushBuffer はバッファを強制的にフラッシュ
	FlushBuffer() error
}

type Estimator interface {
	Fitter
	Predictor
}

type EstimatorState int

type Fitter interface {
	// Fit はモデルを訓練データで学習させる
	Fit(X, y mat.Matrix) error
}

type IncrementalEstimator interface {
	Estimator

	// PartialFit はミニバッチでモデルを逐次的に学習させる
	// classes は分類問題の場合に全クラスラベルを指定（最初の呼び出し時のみ必須）
	// 回帰問題の場合は nil を渡す
	PartialFit(X, y mat.Matrix, classes []int) error

	// NIterations は実行された学習イテレーション数を返す
	NIterations() int

	// WarmStart が有効かどうかを返す
	// true の場合、Fit 呼び出し時に既存のパラメータから学習を継続
	IsWarmStart() bool

	// SetWarmStart はウォームスタートの有効/無効を設定
	SetWarmStart(warmStart bool)
}

type LinearModel interface {
	// Weights は学習された重み（係数）を返す
	Weights() []float64
	// Intercept は学習された切片を返す
	Intercept() float64
	// Score はモデルの決定係数（R²）を計算する
	Score(X, y mat.Matrix) (float64, error)
}

type OnlineMetrics interface {
	// GetLoss は現在の損失値を返す
	GetLoss() float64

	// GetLossHistory は損失値の履歴を返す
	GetLossHistory() []float64

	// GetConverged は収束したかどうかを返す
	GetConverged() bool
}

type ParallelStreaming interface {
	// SetWorkers はワーカー数を設定
	SetWorkers(n int)

	// GetWorkers は現在のワーカー数を返す
	GetWorkers() int

	// SetBatchParallelism はバッチ内並列処理の有効/無効を設定
	SetBatchParallelism(enabled bool)
}

type Predictor interface {
	// Predict は入力データに対する予測を行う
	Predict(X mat.Matrix) (mat.Matrix, error)
}

type SKLearnLinearRegressionParams struct {
	Coefficients []float64 `json:"coefficients"` // 係数（重み）
	Intercept    float64   `json:"intercept"`    // 切片
	NFeatures    int       `json:"n_features"`   // 特徴量の数
}

type SKLearnModel struct {
	ModelSpec SKLearnModelSpec `json:"model_spec"`
	Params    json.RawMessage  `json:"params"`
}

type SKLearnModelSpec struct {
	Name           string `json:"name"`                      // モデル名 (e.g., "LinearRegression")
	FormatVersion  string `json:"format_version"`            // フォーマットバージョン
	SKLearnVersion string `json:"sklearn_version,omitempty"` // scikit-learnのバージョン
}

type StreamingEstimator interface {
	IncrementalEstimator

	// FitStream はデータストリームからモデルを学習する
	// コンテキストがキャンセルされるまで、またはチャネルがクローズされるまで学習を継続
	FitStream(ctx context.Context, dataChan <-chan *Batch) error

	// PredictStream は入力ストリームに対してリアルタイム予測を行う
	// 入力チャネルがクローズされると出力チャネルもクローズされる
	PredictStream(ctx context.Context, inputChan <-chan mat.Matrix) <-chan mat.Matrix

	// FitPredictStream は学習と予測を同時に行う
	// 新しいデータで学習しながら、同時に予測も返す（test-then-train方式）
	FitPredictStream(ctx context.Context, dataChan <-chan *Batch) <-chan mat.Matrix
}

type StreamingMetrics interface {
	OnlineMetrics

	// GetThroughput は現在のスループット（サンプル/秒）を返す
	GetThroughput() float64

	// GetProcessedSamples は処理されたサンプル総数を返す
	GetProcessedSamples() int64

	// GetAverageLatency は平均レイテンシ（ミリ秒）を返す
	GetAverageLatency() float64

	// GetMemoryUsage は現在のメモリ使用量（バイト）を返す
	GetMemoryUsage() int64
}

type Transformer interface {
	// Fit は変換に必要なパラメータを学習する
	Fit(X mat.Matrix) error

	// Transform はデータを変換する
	Transform(X mat.Matrix) (mat.Matrix, error)

	// FitTransform はFitとTransformを同時に実行する
	FitTransform(X mat.Matrix) (mat.Matrix, error)
}