এক্সপ্লেনেশনের ধরন — গ্লোবাল, লোকাল, কন্ট্রাস্টিভ ও উদাহরণ-ভিত্তিক

weights = {
    "income": 0.4,
    "credit_utilization": -0.5,
    "late_payments": -0.3,
    "account_age": 0.1,
}
bias = -0.05
baseline = {"income": 0.5, "credit_utilization": 0.4, "late_payments": 0.1, "account_age": 0.5}
applicant_x = {"income": 0.6, "credit_utilization": 0.8, "late_payments": 0.4, "account_age": 0.3}

def score(features):
    return bias + sum(weights[f] * features[f] for f in weights)

score_x = score(applicant_x)
decision = "অনুমোদিত" if score_x >= 0 else "প্রত্যাখ্যাত"
print(f"আবেদনকারী X-এর স্কোর: {score_x:.2f} -> সিদ্ধান্ত: {decision}")

# --- গ্লোবাল এক্সপ্লেনেশন: মডেল সামগ্রিকভাবে কীভাবে কাজ করে ---
print("\nগ্লোবাল এক্সপ্লেনেশন (ওয়েট অনুযায়ী গুরুত্বের ক্রম):")
for feat, w in sorted(weights.items(), key=lambda kv: abs(kv[1]), reverse=True):
    direction = "ইতিবাচক" if w > 0 else "নেতিবাচক"
    print(f"  {feat}: ওয়েট {w:+.2f} ({direction} প্রভাব)")

# --- লোকাল এক্সপ্লেনেশন: এই নির্দিষ্ট আবেদনকারীর জন্য কেন এই সিদ্ধান্ত ---
contributions = {f: weights[f] * (applicant_x[f] - baseline[f]) for f in weights}
baseline_score = score(baseline)
print("\nলোকাল এক্সপ্লেনেশন (এই আবেদনকারীর জন্য প্রতিটি ফিচারের প্রকৃত অবদান, বেসলাইনের তুলনায়):")
for feat, c in sorted(contributions.items(), key=lambda kv: abs(kv[1]), reverse=True):
    print(f"  {feat}: {c:+.3f}")
print(f"  বেসলাইন (গড় আবেদনকারী) স্কোর: {baseline_score:.3f}")
print(f"  বেসলাইন স্কোর + মোট অবদান = {baseline_score:.3f} + ({sum(contributions.values()):+.3f}) = {baseline_score + sum(contributions.values()):.3f} (X-এর প্রকৃত স্কোরের সমান)")

import math

weights = {
    "income": 0.4,
    "credit_utilization": -0.5,
    "late_payments": -0.3,
    "account_age": 0.1,
}
bias = -0.05
baseline = {"income": 0.5, "credit_utilization": 0.4, "late_payments": 0.1, "account_age": 0.5}
applicant_x = {"income": 0.6, "credit_utilization": 0.8, "late_payments": 0.4, "account_age": 0.3}

# --- কন্ট্রাস্টিভ এক্সপ্লেনেশন: "এই সিদ্ধান্ত কেন, ওই সিদ্ধান্ত নয়?" ---
# শুধু credit_utilization পরিবর্তন করলে সিদ্ধান্ত পাল্টাতে কত মান দরকার (বাকি সব ফিচার অপরিবর্তিত)?
other_sum = bias + sum(weights[f] * applicant_x[f] for f in weights if f != "credit_utilization")
threshold_value = -other_sum / weights["credit_utilization"]
new_score = other_sum + weights["credit_utilization"] * threshold_value
print("কন্ট্রাস্টিভ এক্সপ্লেনেশন:")
print(f"  আবেদনকারী X-এর credit_utilization = {applicant_x['credit_utilization']}")
print(f"  যদি এটি {threshold_value:.2f} বা তার কম হতো (অন্য সব ফিচার একই থাকলে), স্কোর হতো {new_score:.2f}")
print(f"  -> অর্থাৎ অনুমোদিত হতো, প্রত্যাখ্যাত নয়।")

# --- উদাহরণ-ভিত্তিক এক্সপ্লেনেশন: সবচেয়ে কাছাকাছি অতীত কেস ---
past_applicants = [
    {"name": "A", "income": 0.55, "credit_utilization": 0.75, "late_payments": 0.35, "account_age": 0.32, "outcome": "প্রত্যাখ্যাত"},
    {"name": "B", "income": 0.65, "credit_utilization": 0.30, "late_payments": 0.05, "account_age": 0.60, "outcome": "অনুমোদিত"},
    {"name": "C", "income": 0.20, "credit_utilization": 0.90, "late_payments": 0.50, "account_age": 0.10, "outcome": "প্রত্যাখ্যাত"},
    {"name": "D", "income": 0.60, "credit_utilization": 0.85, "late_payments": 0.45, "account_age": 0.28, "outcome": "প্রত্যাখ্যাত"},
]

def distance(a, b):
    return math.sqrt(sum((a[f] - b[f]) ** 2 for f in weights))

print("\nউদাহরণ-ভিত্তিক এক্সপ্লেনেশন (নিকটতম অতীত কেসসমূহ, দূরত্বের ক্রমে):")
ranked = sorted(past_applicants, key=lambda p: distance(p, applicant_x))
for p in ranked:
    print(f"  আবেদনকারী {p['name']}: দূরত্ব {distance(p, applicant_x):.4f}, ফলাফল ছিল {p['outcome']}")
nearest = ranked[0]
print(f"\n  -> সবচেয়ে কাছাকাছি: আবেদনকারী {nearest['name']} ({nearest['outcome']}) -- একইরকম প্রোফাইলের অতীত আবেদনকারীও {nearest['outcome']} হয়েছিলেন।")