import matplotlib.pyplot as plt
import numpy as np

# شبیه‌سازی ۳ ویژگی مختلف یک دیتاست (با چند مقدار پرت عمدی)
np.random.seed(42)
feat_1 = np.random.normal(50, 10, 200)
feat_2 = np.concatenate([np.random.normal(70, 5, 195), [120, 125, 5, 10, 8]]) 
# داده‌های پرت
feat_3 = np.random.exponential(scale=15, size=200)

data_to_plot = [feat_1, feat_2, feat_3]

fig, ax = plt.subplots(figsize=(8, 5))

# رسم Boxplot
bp = ax.boxplot(
    data_to_plot, 
    tick_labels=['Feature 1', 'Feature 2 (Outliers)', 'Feature 3 (Skewed)'],
    patch_artist=True,  # اجازه رنگ‌آمیزی داخل جعبه‌ها را فعال می‌کند
    notch=True,         # فرورفتگی در ناحیه میانه برای مقایسه معناداری آماری
    vert=True           # رسم عمودی
)

# شخصی‌سازی رنگ بخش‌های مختلف جعبه
colors = ['#aec7e8', '#ffbb78', '#98df8a']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.8)

# هایلایت کردن داده‌های پرت (Fliers) با رنگ قرمز
for flier in bp['fliers']:
    flier.set(marker='o', color='#d62728', alpha=0.6, markersize=7)

ax.set_title("Outlier & Distribution Diagnostics", fontsize=14, fontweight='bold')
ax.set_ylabel("Value Magnitude")
ax.grid(axis='y', linestyle='--', alpha=0.5)

plt.show()

import pandas as pd

# ایجاد یک ماتریس همبستگی فرضی
corr_matrix = np.array([
    [ 1.00,  0.85, -0.20,  0.60],
    [ 0.85,  1.00, -0.10,  0.75],
    [-0.20, -0.10,  1.00, -0.45],
    [ 0.60,  0.75, -0.45,  1.00]
])
features = ['Area', 'Rooms', 'Age', 'Price']

fig, ax = plt.subplots(figsize=(7, 6))

# نمایش ماتریس عددی به شکل تصویر با طیف رنگی Cool-Warm
im = ax.imshow(corr_matrix, cmap='coolwarm', vmin=-1, vmax=1)

# تنظیم تیک‌های محورها متناسب با تعداد و نام فیچرها
ax.set_xticks(np.arange(len(features)))
ax.set_yticks(np.arange(len(features)))
ax.set_xticklabels(features, fontsize=11)
ax.set_yticklabels(features, fontsize=11)

# اضافه کردن نوار رنگی
cbar = fig.colorbar(im, ax=ax, fraction=0.046, pad=0.04)
cbar.set_label("Pearson Correlation", rotation=270, labelpad=15)

# نوشتن ارقام درون سلول‌ها به صورت خودکار
for i in range(len(features)):
    for j in range(len(features)):
        text_color = "white" if abs(corr_matrix[i, j]) > 0.5 else "black"
        ax.text(j, i, f"{corr_matrix[i, j]:.2f}",
                ha="center", va="center", color=text_color, fontweight='bold')

ax.set_title("Feature Correlation Matrix", fontsize=13)
plt.tight_layout()
plt.show()

epochs = np.arange(1, 21)
# شبیه‌سازی کاهش زیان و افزایش دقت
train_loss = 2.5 * np.exp(-epochs / 4) + 0.1
train_acc = 1 - np.exp(-epochs / 3) * 0.7

fig, ax_loss = plt.subplots(figsize=(9, 5))

# ۱. رسم Loss روی محور اصلی (سمت چپ)
color_loss = '#d62728'
line1 = ax_loss.plot(epochs, train_loss, color=color_loss, linewidth=2, label='Training Loss')
ax_loss.set_xlabel("Epochs", fontsize=12)
ax_loss.set_ylabel("Cross Entropy Loss", color=color_loss, fontsize=12)
ax_loss.tick_params(axis='y', labelcolor=color_loss)

# ۲. ایجاد محور اشتراکی برای Accuracy (سمت راست)
ax_acc = ax_loss.twinx()
color_acc = '#1f77b4'
line2 = ax_acc.plot(epochs, train_acc, color=color_acc, linestyle='--', linewidth=2, label='Accuracy')
ax_acc.set_ylabel("Accuracy (0.0 - 1.0)", color=color_acc, fontsize=12)
ax_acc.tick_params(axis='y', labelcolor=color_acc)
ax_acc.set_ylim(0, 1.05)

# ۳. ادغام Legendهای دو محور مختلف در یک باکس واحد
lines = line1 + line2
labels = [l.get_label() for l in lines]
ax_loss.legend(lines, labels, loc='center right')

ax_loss.set_title("Model Convergence: Loss vs Accuracy over Epochs", fontsize=13, fontweight='bold')
ax_loss.grid(True, linestyle=':', alpha=0.5)

plt.show()

# ماتریس فرضی ۳ کلاسه (مثلاً تشخیص بیماری: سالم، مشکوک، مبتلا)
cm = np.array([
    [85,  4,  1],
    [ 7, 60,  3],
    [ 2,  5, 43]
])
classes = ['Healthy', 'Suspect', 'Infected']

fig, ax = plt.subplots(figsize=(6, 6))
im = ax.imshow(cm, interpolation='nearest', cmap='Blues')

# تنظیم عنوان و لیبل‌ها
ax.set_title("Confusion Matrix (Diagnosis Model)", fontsize=13)
tick_marks = np.arange(len(classes))
ax.set_xticks(tick_marks)
ax.set_yticks(tick_marks)
ax.set_xticklabels(classes, rotation=45)
ax.set_yticklabels(classes)

# درج اعداد و برچسب درصد در هر خانه
thresh = cm.max() / 2.
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        val = cm[i, j]
        pct = (val / np.sum(cm[i, :])) * 100
        ax.text(j, i, f"{val}\n({pct:.1f}%)",
                ha="center", va="center",
                color="white" if val > thresh else "black",
                fontweight='semibold')

ax.set_ylabel('True Label', fontsize=11)
ax.set_xlabel('Predicted Label', fontsize=11)
fig.colorbar(im, ax=ax, fraction=0.046, pad=0.04)

plt.tight_layout()
plt.show()

from sklearn.datasets import make_moons
from sklearn.linear_model import LogisticRegression

# ۱. ساخت یک دیتای هلالی غیرخطی با دو کلاس
X, y = make_moons(n_samples=200, noise=0.25, random_state=42)

# ۲. آموزش یک مدل ساده برای یادگیری مرز
model = LogisticRegression()
model.fit(X, y)

# ۳. ایجاد یک صفحه توری (Meshgrid) برای اسکن کل فضا
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 300),
                     np.linspace(y_min, y_max, 300))

# پیش‌بینی احتمال کلاس برای تمام نقاط توری
Z = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
Z = Z.reshape(xx.shape)

# ۴. ترسیم کانتورهای کلاسه و نقاط داده
fig, ax = plt.subplots(figsize=(8, 5))

# کانتور پرشده برای رنگ‌آمیزی نواحی مختلف احتمالاتی
contour = ax.contourf(xx, yy, Z, levels=20, cmap='RdBu', alpha=0.7)
# خط پررنگ برای مرز بحرانی P=0.5
ax.contour(xx, yy, Z, levels=[0.5], colors='k', linestyles='--', linewidths=2)

# رسم نقاط واقعی داده‌ها
scatter = ax.scatter(X[:, 0], X[:, 1], c=y, cmap='RdBu', edgecolors='k', s=45)

ax.set_title("Decision Boundary Analysis (Threshold P=0.5)", fontsize=13)
ax.set_xlabel("Feature 1")
ax.set_ylabel("Feature 2")

cbar = fig.colorbar(contour, ax=ax)
cbar.set_label("Predicted Probability of Class 1")

plt.show()

epochs = np.arange(1, 16)
val_loss = np.array([1.2, 0.9, 0.7, 0.55, 0.42, 0.35,
 0.32, 0.30, 0.33, 0.38, 0.45, 0.55, 0.68, 0.80, 0.95])

fig, ax = plt.subplots(figsize=(8, 4.5))
ax.plot(epochs, val_loss, marker='s', color='#2ca02c', label='Validation Loss')

# پیدا کردن کمینه خطا
min_idx = np.argmin(val_loss)
best_epoch = epochs[min_idx]
best_loss = val_loss[min_idx]

# رسم حاشیه‌نویسی هوشمند
ax.annotate(
    f'Optimal Checkpoint\nEpoch: {best_epoch}\nLoss: {best_loss:.2f}',
    xy=(best_epoch, best_loss),              # نقطه‌ای که فلش به آن اشاره می‌کند
    xytext=(best_epoch + 2, best_loss + 0.3), # موقعیت متن
    arrowprops=dict(
        facecolor='crimson', 
        shrink=0.08, 
        width=2, 
        headwidth=8
    ),
    bbox=dict(boxstyle="round,pad=0.4", fc="yellow", alpha=0.3),
    fontweight='bold'
)

ax.set_title("Locating Early Stopping Point via Annotations", fontsize=12)
ax.set_xlabel("Epochs")
ax.set_ylabel("Loss")
ax.grid(True, linestyle=':', alpha=0.6)
ax.legend()

plt.show()

# مشاهده تمامی تم‌های در دسترس
print(plt.style.available)

# استفاده از یک تم جذاب علمی و دارک مود
plt.style.use('dark_background')

fig, ax = plt.subplots(figsize=(7, 4))
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), color='#00ffcc', linewidth=2.5, label='Cyber Wave')
ax.plot(x, np.cos(x), color='#ff007f', linewidth=2.5, label='Phase Shift')
ax.set_title("Neon Theme for Presentations", fontsize=13)
ax.legend()
plt.show()

# نکته:بعد از پایان کار تم را به پیش‌فرض ریست کنید تا کدهای بعدی متاثر نشوند
plt.style.use('default')

import matplotlib.animation as animation

# ۱. تعریف یک تابع هزینه درجه دوم فرضی: y = x^2
def cost_function(x):
    return x ** 2

def gradient(x):
    return 2 * x

# ۲. پیاده‌سازی گام‌های الگوریتم گرادیان نزولی
lr = 0.2
cur_x = 4.5 # نقطه شروع اولیه
history_x = [cur_x]

for _ in range(25):
    cur_x = cur_x - lr * gradient(cur_x)
    history_x.append(cur_x)

history_x = np.array(history_x)
history_y = cost_function(history_x)

# ۳. آماده‌سازی بوم برای انیمیشن
fig, ax = plt.subplots(figsize=(8, 5))
x_curve = np.linspace(-5, 5, 200)
ax.plot(x_curve, cost_function(x_curve), 'gray', label='Cost Function $J(w)=w^2$')

point, = ax.plot([], [], 'ro', markersize=10, label='Current Weight')
trail, = ax.plot([], [], 'r--', alpha=0.5, label='Gradient Path')

ax.set_xlim(-5, 5)
ax.set_ylim(-2, 25)
ax.set_title("Real-Time Gradient Descent Convergence", fontsize=13)
ax.set_xlabel("Parameter w")
ax.set_ylabel("Loss J(w)")
ax.legend(loc='upper center')

# ۴. توابع فریم انیمیشن
def init():
    point.set_data([], [])
    trail.set_data([], [])
    return point, trail

def update(frame):
    # بروزرسانی موقعیت نقطه در هر فریم
    x_val = history_x[frame]
    y_val = history_y[frame]
    point.set_data([x_val], [y_val])
    trail.set_data(history_x[:frame+1], history_y[:frame+1])
    return point, trail

# ۵. کامپایل و اجرای انیمیشن
ani = animation.FuncAnimation(
    fig, update, frames=len(history_x), 
    init_func=init, blit=True, interval=250, repeat=True
)

plt.show()

# برای ذخیره فایل گیف از دستور زیر استفاده می‌شود (نیازمند pillow یا imagemagick):
# ani.save('gradient_descent.gif', writer='pillow', fps=4)