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)
        }