"""Module d'évaluation des modèles de régression.
Ce module contient une fonction pour évaluer les performances d'un modèle de régression en calculant des métriques telles que MAE, RMSE et R², à la fois sur l'échelle log et sur l'échelle réelle après transformation inverse avec expm1.
Les métriques sont retournées dans un dictionnaire"""
import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score


def evaluate_regression_model(y_true_log, y_pred_log):
    """
    Calcule les métriques d'évaluation pour un modèle de régression.

    Les métriques sont calculées :
    - sur l'échelle log
    - sur l'échelle réelle après transformation inverse avec expm1

    Args:
        y_true_log: valeurs réelles de la target en log
        y_pred_log: valeurs prédites par le modèle en log

    Returns:
        dict: dictionnaire contenant MAE, RMSE et R² en log et en réel
    """
    try:
        # Métriques sur l'échelle log
        mae_log = mean_absolute_error(y_true_log, y_pred_log)
        rmse_log = np.sqrt(mean_squared_error(y_true_log, y_pred_log))
        r2_log = r2_score(y_true_log, y_pred_log)

        # Retour à l'échelle réelle
        y_true_real = np.expm1(y_true_log)
        y_pred_real = np.expm1(y_pred_log)

        # Sécurité : éviter valeurs négatives éventuelles après inversion
        y_pred_real = np.maximum(y_pred_real, 0)

        # Métriques sur l'échelle réelle
        mae_real = mean_absolute_error(y_true_real, y_pred_real)
        rmse_real = np.sqrt(mean_squared_error(y_true_real, y_pred_real))
        r2_real = r2_score(y_true_real, y_pred_real)

        return {
            "mae_log": mae_log,
            "rmse_log": rmse_log,
            "r2_log": r2_log,
            "mae_real": mae_real,
            "rmse_real": rmse_real,
            "r2_real": r2_real,
        }

    except Exception as e:
        print(f"Erreur lors de l'évaluation du modèle : {e}")
        return None