"""Proje 1 — Polinom regresyonuyla nem tahmini.

Sıcaklıktan bağıl nemi tahmin eden polinom regresyon modelleri kuruyor, polinom derecesini
doğrulama verisiyle seçiyor ve son modeli yalnız bir kez, ayrılmış test verisinde ölçüyoruz.
Veri sentetiktir: 0–35 °C arasında 240 sıcaklık ve nem = 75 − 2T + 0,045T² + gürültü
(standart sapma 3 yüzde puan). Bu ilişki eğitim için uydurulmuştur; meteorolojik bir yasa
ya da gerçek hava verisi değildir.

Çalıştır:  python polinom_regresyon.py
Gerekenler: numpy, scikit-learn, matplotlib  (Python 3.12+)
Çıktılar:  terminale sayılar, aynı klasöre bir PNG grafiği (polinom_regresyon.png)
"""
from pathlib import Path

import numpy as np
import matplotlib
matplotlib.use("Agg")  # pencere açmadan dosyaya çiz
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import PolynomialFeatures, StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

# --- Grafik stili (kurs genelinde aynı) ---
RENK = ["#2a78d6", "#eb6834", "#1baf7a", "#eda100", "#e87ba4", "#008300", "#6250d6", "#e34948"]
MUREKKEP, IKINCIL, SOLUK = "#0b0b0b", "#52514e", "#898781"
plt.rcParams.update({
    "figure.facecolor": "white", "axes.facecolor": "white", "savefig.facecolor": "white",
    "axes.edgecolor": "#c3c2b7", "axes.labelcolor": IKINCIL, "axes.titlecolor": MUREKKEP,
    "axes.titlesize": 11, "axes.titleweight": "bold", "axes.labelsize": 10,
    "xtick.color": IKINCIL, "ytick.color": IKINCIL, "font.size": 10,
    "axes.grid": True, "grid.color": "#e1e0d9", "grid.linewidth": 0.6,
    "axes.spines.top": False, "axes.spines.right": False,
    "axes.prop_cycle": plt.cycler(color=RENK), "lines.linewidth": 2, "legend.frameon": False,
})
KLASOR = Path(__file__).resolve().parent

# %% 1. Veri: sıcaklık (°C) ve bağıl nem (%)
rng = np.random.default_rng(42)
X = rng.uniform(0, 35, (240, 1))
# Eğitim için uydurulmuş ilişki; meteorolojik bir yasa değildir.
y = 75 - 2 * X[:, 0] + 0.045 * X[:, 0] ** 2 + rng.normal(0, 3, len(X))
# Önce test (%20) ayrılır; kalan geliştirme verisi eğitim (%60) ve doğrulama (%20) olarak bölünür.
X_dev, X_test, y_dev, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_dev, y_dev, test_size=0.25, random_state=42)
print("=== 1. Veri ===")
print(f"Örnek: {len(X)} (eğitim {len(X_train)}, doğrulama {len(X_val)}, test {len(X_test)})")


def model(derece):
    """Polinom özellikleri → standartlaştırma → Ridge; hepsi tek bir işlem zinciri (pipeline)."""
    return make_pipeline(PolynomialFeatures(derece, include_bias=False),
                         StandardScaler(), Ridge(alpha=0.1))


# %% 2. Dereceyi doğrulama verisinde seç
print("\n=== 2. Derece seçimi (doğrulama) ===")
dogrulama_mae = {}
for derece in (1, 2, 3, 8):
    aday = model(derece).fit(X_train, y_train)
    dogrulama_mae[derece] = mean_absolute_error(y_val, aday.predict(X_val))
    print(f"Derece {derece}: doğrulama MAE = {dogrulama_mae[derece]:.3f} yüzde puan")
en_iyi_derece = min(dogrulama_mae, key=dogrulama_mae.get)

# %% 3. Son model: eğitim + doğrulama verisiyle yeniden eğit, testte bir kez ölç
son_model = model(en_iyi_derece).fit(X_dev, y_dev)
tahmin = son_model.predict(X_test)
referans = np.full_like(y_test, y_dev.mean())          # her zaman ortalamayı söyleyen model
print("\n=== 3. Test (yalnız bir kez) ===")
print(f"Seçilen derece: {en_iyi_derece}")
print(f"Ortalama referansı MAE: {mean_absolute_error(y_test, referans):.3f}")
print(f"Test MAE: {mean_absolute_error(y_test, tahmin):.3f}")
print(f"Test RMSE: {np.sqrt(mean_squared_error(y_test, tahmin)):.3f}")
print(f"Test R²: {r2_score(y_test, tahmin):.3f}")
# Karşılaştırma: veriyi üreten gürültüsüz ilişkinin kendisi bile gürültüyü tahmin edemez
uretici = 75 - 2 * X_test[:, 0] + 0.045 * X_test[:, 0] ** 2
print(f"Veriyi üreten ilişkinin kendisi: test MAE = {mean_absolute_error(y_test, uretici):.3f}, "
      f"R² = {r2_score(y_test, uretici):.3f}")
assert np.isfinite(tahmin).all()

# %% 4. Grafik
eksen = np.linspace(0, 35, 250).reshape(-1, 1)
fig, ax = plt.subplots(figsize=(9, 4.8), layout="constrained")
ax.scatter(X_test[:, 0], y_test, s=22, color=SOLUK, alpha=.8, label="Ayrılan test verisi")
ax.plot(eksen[:, 0], son_model.predict(eksen), color=RENK[0], label=f"Model: derece {en_iyi_derece}")
ax.plot(eksen[:, 0], 75 - 2 * eksen[:, 0] + 0.045 * eksen[:, 0] ** 2, color=MUREKKEP, ls="--", lw=1.2,
        label="Veriyi üreten ilişki (gürültüsüz)")
ax.axhline(y_dev.mean(), color=RENK[1], ls=":", lw=1.5, label="Ortalama referansı")
ax.set(xlabel="Sıcaklık (°C)", ylabel="Bağıl nem (%)", title="Sentetik veride polinom regresyonu")
ax.legend(loc="lower left")
fig.savefig(KLASOR / "polinom_regresyon.png", dpi=160)
plt.close(fig)
print("\nGrafik kaydedildi: polinom_regresyon.png")
