====== std.ml ======

Maschinelles Lernen als native Lyx-Bibliothek ohne externe Abhängigkeiten. Implementiert: Lineare Regression (Gradient Descent, MSE-Loss), Logistische Regression (Sigmoid, Kreuzentropie), k-Nearest-Neighbours (euklidische und Manhattan-Distanz), K-Means-Clustering, Entscheidungsbäume (Gini-Impurity, Entropy, MSE-Kriterium) und Naive Bayes für Textklassifikation. Normalisierung: MinMax und Z-Score. Metriken: MSE, MAE, R², Accuracy.

Einsatzbereiche: Vorhersagemodelle (Preise, Nachfrage), Anomalieerkennung, Textklassifikation, Kundensegmentierung, Empfehlungssysteme — als eingebettete ML-Engine ohne externe Python-Abhängigkeit.

**Autor:** Andreas Röne\\
**Copyright:** 2024-2025 Andreas Röne

----

===== Konstanten =====

^ Name ^ Typ ^ Wert ^ Sichtbarkeit ^
| ''PROT_RW'' | ''int64'' | ''3'' | priv |
| ''MAP_ANON'' | ''int64'' | ''34'' | priv |
| ''FD_NONE'' | ''int64'' | ''-1'' | priv |

----

===== Funktionen =====

^ Signatur ^ Sichtbarkeit ^ Beschreibung ^
| ''SquareF64(x: f64): f64'' | pub | Quadriert einen Float64-Wert |
| ''AbsF64(x: f64): f64'' | pub | Betrag eines Float64-Werts |
| ''SqrtF64(x: f64): f64'' | pub | Quadratwurzel für Float64 |
| ''ExpF64(x: f64): f64'' | pub | Exponentialfunktion e hoch x |
| ''SigmoidF64(z: f64): f64'' | pub | Sigmoid-Aktivierungsfunktion |
| ''LogF64(x: f64): f64'' | pub | Natürlicher Logarithmus |
| ''NBLog(x: f64): f64'' | pub | Logarithmus für Naive-Bayes |
| ''LinearRegressionInit(): void'' | pub | Initialisiert lineare Regression |
| ''LinearRegressionWeight(): f64 { return lr_weight; }'' | pub | Liest aktuelles Modellgewicht |
| ''LinearRegressionBias(): f64 { return lr_bias; }'' | pub | Liest aktuellen Bias-Wert |
| ''LinearRegressionLoss(): f64 { return lr_loss; }'' | pub | Liest letzten MSE-Verlust |
| ''LinearRegressionEpochs(): int64 { return lr_epochs; }'' | pub | Liest Anzahl Trainings-Epochen |
| ''LinearRegressionFit1('' | pub | Trainiert mit einem Datenpunkt |
| ''LinearRegressionFit2('' | pub | Trainiert mit zwei Datenpunkten |
| ''LinearRegressionFit('' | pub | Trainiert mit Datenpunkten |
| ''LinearRegressionFit8('' | pub | Trainiert mit acht Datenpunkten |
| ''LinearRegressionFitArrays(xData: int64, yData: int64, n: int64): void'' | pub | Trainiert mit Array-Datensatz |
| ''LinearRegressionPredict(x: f64): f64'' | pub | Sagt Wert für x vorher |
| ''LogisticRegressionInit(): void'' | pub | Initialisiert logistische Regression |
| ''LogisticRegressionWeight(): f64 { return logr_weight; }'' | pub | Liest aktuelles Modellgewicht |
| ''LogisticRegressionBias(): f64 { return logr_bias; }'' | pub | Liest aktuellen Bias-Wert |
| ''LogisticRegressionLoss(): f64 { return logr_loss; }'' | pub | Liest letzten Kreuzentropie-Verlust |
| ''LogisticRegressionAccuracy(): f64 { return logr_accuracy; }'' | pub | Liest Klassifikationsgenauigkeit |
| ''LogisticRegressionEpochs(): int64 { return logr_epochs; }'' | pub | Liest Anzahl Trainings-Epochen |
| ''LogisticRegressionFit1('' | pub | Trainiert mit einem Datenpunkt |
| ''LogisticRegressionFit('' | pub | Trainiert mit Datenpunkten |
| ''LogisticRegressionFit8('' | pub | Trainiert mit acht Datenpunkten |
| ''LogisticRegressionFitArrays(xData: int64, yData: int64, n: int64, learningRate: f64, epochs: int64): void'' | pub | Trainiert mit Array-Datensatz |
| ''LogisticRegressionPredictProb(x: f64): f64'' | pub | Gibt Klassenwahrscheinlichkeit zurück |
| ''LogisticRegressionPredict(x: f64): int64'' | pub | Klassifiziert Eingabewert binär |
| ''EuclideanDistance(x1: f64, y1: f64, x2: f64, y2: f64): f64'' | pub | Euklidischer Abstand zweier Punkte |
| ''Mean2(a: f64, b: f64): f64 { return (a + b) * 0.5; }'' | pub | Arithmetisches Mittel zweier Werte |
| ''Variance2(a: f64, b: f64): f64'' | pub | Varianz zweier Werte |
| ''StdDev2(a: f64, b: f64): f64 { return SqrtF64(Variance2(a, b)); }'' | pub | Standardabweichung zweier Werte |
| ''MSE2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64'' | pub | MSE-Fehler für zwei Vorhersagen |
| ''MAE2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64'' | pub | MAE-Fehler für zwei Vorhersagen |
| ''R2Score2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64'' | pub | R²-Score für zwei Vorhersagen |
| ''KNNInit2(k: int64, x0: f64, x1: f64, y0: f64, y1: f64): void'' | pub | Initialisiert KNN mit zwei Punkten |
| ''KNNPredict2(x: f64): int64'' | pub | KNN-Vorhersage für zwei Klassen |
| ''KNNInit(k: int64): void'' | pub | Initialisiert KNN-Klassifikator |
| ''KNNGetK(): int64 { return knn_k; }'' | pub | Liest aktuellen K-Wert |
| ''KNNGetNSamples(): int64 { return knn_n; }'' | pub | Liest Anzahl Trainings-Samples |
| ''KNNFit(features: int64, labels: int64, n: int64, nFeatures: int64): void'' | pub | Trainiert KNN mit Datensatz |
| ''KNNDistance(a: int64, b: int64, n: int64): f64'' | pub | Euklidische Distanz zweier Vektoren |
| ''KNNManhattanDistance(a: int64, b: int64, n: int64): f64'' | pub | Manhattan-Distanz zweier Vektoren |
| ''KNNFindNeighbors(query: int64, k: int64): int64'' | pub | Findet k nächste Nachbarn |
| ''KNNMajorityVote(neighborIndices: int64, k: int64): int64'' | pub | Bestimmt Klasse per Mehrheitswahl |
| ''KNNPredict(query: int64): int64'' | pub | Klassifiziert einen Eingabevektor |
| ''KNNScore(features: int64, labels: int64, n: int64): f64'' | pub | Berechnet KNN-Genauigkeit auf Datensatz |
| ''KMeansInit2(c0: f64, c1: f64): void'' | pub | Initialisiert K-Means mit zwei Zentroiden |
| ''KMeansFit2(x0: f64, x1: f64, iterations: int64): void'' | pub | Trainiert K-Means mit zwei Punkten |
| ''KMeansPredict(x: f64): int64'' | pub | Weist Punkt einem Cluster zu |
| ''KMeansCentroid0(): f64 { return km_centroid0; }'' | pub | Liest Position von Zentroid 0 |
| ''KMeansCentroid1(): f64 { return km_centroid1; }'' | pub | Liest Position von Zentroid 1 |
| ''KMeansInit(k: int64): void'' | pub | Initialisiert K-Means-Clustering |
| ''KMeansGetK(): int64 { return km_k; }'' | pub | Liest Anzahl der Cluster |
| ''KMeansGetIter(): int64 { return km_iter; }'' | pub | Liest Anzahl der Iterationen |
| ''KMeansGetInertia(): f64 { return km_inertia; }'' | pub | Liest Inertia der Clusterung |
| ''KMeansInitCentroids(features: int64, n: int64, nFeatures: int64, k: int64): void'' | pub | Setzt initiale Zentroiden-Positionen |
| ''KMeansFit(features: int64, n: int64, nFeatures: int64, k: int64): void'' | pub | Führt K-Means-Clustering durch |
| ''KMeansPredictCluster(point: int64): int64'' | pub | Weist Vektor einem Cluster zu |
| ''KMeansGetAssignments(): int64 { return km_assignments; }'' | pub | Liest Cluster-Zuweisungen zurück |
| ''KMeansGetCentroids(): int64 { return km_centroids; }'' | pub | Liest alle Zentroiden-Positionen |
| ''KMeansGetClusterSize(clusterIdx: int64): int64'' | pub | Gibt Anzahl Punkte im Cluster |
| ''KMeansGetCentroid(idx: int64, featureIdx: int64): f64'' | pub | Liest Feature-Wert eines Zentroiden |
| ''MinMaxNorm(x: f64, min: f64, max: f64): f64'' | pub | MinMax-Normalisierung auf [0,1] |
| ''MinMaxDenorm(x_norm: f64, min: f64, max: f64): f64'' | pub | Denormalisiert MinMax-Wert |
| ''ZScoreNorm(x: f64, mean: f64, stddev: f64): f64'' | pub | Z-Score-Normalisierung |
| ''TrainTestSplit(index: int64): int64'' | pub | Teilt Index in Train/Test-Gruppen |
| ''NaiveBayesInit(nClasses: int64, vocabSize: int64): void'' | pub | Initialisiert Naive-Bayes-Klassifikator |
| ''NaiveBayesFit(documents: int64, docLengths: int64, labels: int64, n: int64): void'' | pub | Trainiert Naive-Bayes mit Texten |
| ''NaiveBayesPredict(docWords: int64, docLen: int64): int64'' | pub | Klassifiziert ein Dokument |
| ''NaiveBayesGetWordCount(classIdx: int64, wordIdx: int64): f64'' | pub | Liest Wortzähler je Klasse |
| ''NaiveBayesGetClassCount(classIdx: int64): int64'' | pub | Liest Dokumentanzahl je Klasse |
| ''NaiveBayesScore(documents: int64, docLengths: int64, labels: int64, n: int64): f64'' | pub | Berechnet Klassifikationsgenauigkeit |

----

===== Typen =====

==== DecisionTreeNode (struct) ====

^ Feld ^ Typ ^
| ''featureIdx'' | ''int64'' |
| ''threshold'' | ''f64'' |
| ''left'' | ''int64'' |
| ''right'' | ''int64'' |
| ''classLabel'' | ''int64'' |
| ''nSamples'' | ''int64'' |
| ''impurity'' | ''f64'' |

| ''DT_GINI'' | ''int64'' | ''0'' | pub |
| ''DT_ENTROPY'' | ''int64'' | ''1'' | pub |
| ''DT_MSE'' | ''int64'' | ''2'' | pub |

^ Signatur ^ Sichtbarkeit ^ Beschreibung ^
| ''DecisionTreeInit(maxDepth: int64, criterion: int64): void'' | pub | Initialisiert Entscheidungsbaum |
| ''DTGiniImpurity(labels: int64, n: int64): f64'' | pub | Berechnet Gini-Unreinheit |
| ''DTEntropyImpurity(labels: int64, n: int64): f64'' | pub | Berechnet Entropie-Unreinheit |
| ''DecisionTreeFit(features: int64, labels: int64, n: int64, nFeatures: int64, nClasses: int64): void'' | pub | Trainiert Entscheidungsbaum |
| ''DecisionTreePredict(featureVector: int64): int64'' | pub | Klassifiziert einen Merkmalsvektor |
| ''AccuracyScore(y_true: int64, y_pred: int64, n: int64): f64'' | pub | Berechnet Klassifikationsgenauigkeit |
| ''MeanSquaredError(y_true: int64, y_pred: int64, n: int64): f64'' | pub | Berechnet mittleren quadratischen Fehler |
| ''MeanAbsoluteError(y_true: int64, y_pred: int64, n: int64): f64'' | pub | Berechnet mittleren absoluten Fehler |
| ''R2Score(y_true: int64, y_pred: int64, n: int64): f64'' | pub | Berechnet R²-Bestimmtheitsmaß |