Первый запуск

Tester/RegressionMetricsCalculator.py

@@ -0,0 +1,50 @@
+import math
+from typing import List
+
+
+class RegressionMetricsCalculator:
+    def __init__(self):
+        self.errors: List[float] =[]
+
+    def add_sample(self, score: float):
+        """
+        score: число от 0.0 до 1.0 (результат evaluate_template_similarity)
+        Идеал - это 1.0. Ошибка - это то, насколько мы отклонились от 1.0.
+        """
+        # Защита от кривых значений (если вдруг score вылезет за пределы)
+        score = max(0.0, min(1.0, score))
+        error = 1.0 - score
+        self.errors.append(error)
+
+    def calculate(self) -> dict:
+        n = len(self.errors)
+        if n == 0:
+            return {}
+
+        # 1. MAE (Mean Absolute Error) - Средняя абсолютная ошибка
+        mae = sum(abs(e) for e in self.errors) / n
+
+        # 2. MSE (Mean Squared Error) - Среднеквадратичная ошибка
+        mse = sum(e**2 for e in self.errors) / n
+
+        # 3. RMSE (Root Mean Squared Error) - Корень из MSE
+        rmse = math.sqrt(mse)
+
+        # 4. MAPE (Mean Absolute Percentage Error) - в процентах
+        # Так как наше "истинное" значение всегда 1.0, деление на 1.0 ничего не меняет,
+        # мы просто умножаем на 100 для получения процентов.
+        mape = (sum(abs(e) / 1.0 for e in self.errors) / n) * 100
+
+        # 5. MAD (Mean Absolute Deviation)
+        # В статистике часто означает среднее отклонение от СРЕДНЕЙ ошибки
+        # (чтобы показать разброс ошибок вокруг их собственного среднего).
+        mean_error = sum(self.errors) / n
+        mad = sum(abs(e - mean_error) for e in self.errors) / n
+
+        return {
+            "MAE": round(mae, 4),
+            "MAPE (%)": round(mape, 2),
+            "MAD": round(mad, 4),
+            "MSE": round(mse, 6),
+            "RMSE": round(rmse, 4)
+        }