# Implementação da Equação do Modelo como Artefato JSON

## Visão Geral

Esta implementação adiciona a capacidade de extrair e salvar a equação do modelo de regressão linear como um artefato JSON, seguindo a arquitetura existente do projeto.

## Mudanças Implementadas

### 1. TrainModelResult
- **Arquivo**: `model_manager/utils/models/train_model_result.py`
- **Mudanças**:
  - Adicionado campo `equation: dict | None = None` para armazenar os metadados da equação
  - Adicionado campo `equation_path: str | None = None` para armazenar o caminho do arquivo JSON

### 2. TrainingRepository
- **Arquivo**: `model_manager/utils/repository/training_repository.py`
- **Mudanças**:
  - Adicionado método `_extract_model_equation()` para extrair coeficientes e intercept do modelo
  - Integrado a extração da equação no método `after_train_calculation()`

### 3. ModelRepository
- **Arquivo**: `model_manager/utils/repository/model_repository.py`
- **Mudanças**:
  - Adicionado import do módulo `json`
  - Modificado `_generate_report()` para salvar a equação como arquivo JSON
  - Modificado `_save_run()` para fazer log do artefato da equação no MLflow

## Estrutura do JSON da Equação

O arquivo `model_equation.json` terá a seguinte estrutura:

```json
{
  "target_variable": "target_column_name",
  "coefficients": {
    "feature1": 0.123456,
    "feature2": -0.789012,
    "feature3": 0.345678
  },
  "intercept": 1.234567,
  "equation_string": "target_column_name = 1.234567 + 0.123456 * feature1 + -0.789012 * feature2 + 0.345678 * feature3",
  "latex_equation": "target_column_name = 1.234567 + 0.123456 \\cdot feature1 + -0.789012 \\cdot feature2 + 0.345678 \\cdot feature3",
  "model_type": "Linear Regression"
}
```

## Fluxo de Execução

1. **Treinamento**: O modelo é treinado no `TrainingRepository.train()`
2. **Pós-treinamento**: O método `after_train_calculation()` é chamado, que:
   - Calcula as métricas (MSE, MAE, R²)
   - Extrai a equação usando `_extract_model_equation()`
3. **Salvamento**: O `ModelRepository.save_model()` é chamado, que:
   - Gera os artefatos (relatórios, dados CSV)
   - Salva a equação como `model_equation.json`
   - Faz log de todos os artefatos no MLflow

## Benefícios

- **Rastreabilidade**: A equação fica disponível como artefato versionado no MLflow
- **Transparência**: Fácil acesso aos coeficientes e estrutura do modelo
- **Compatibilidade**: Formato JSON facilita integração com outras ferramentas
- **Flexibilidade**: Inclui tanto formato legível quanto LaTeX para diferentes usos

## Compatibilidade

Esta implementação é totalmente compatível com:
- A arquitetura existente do projeto
- O fluxo de treinamento atual
- O sistema de logging do MLflow
- Os testes existentes (não quebra funcionalidades)

## Exemplo de Uso

Após o treinamento, a equação estará disponível em:
- **Memória**: `train_result.equation` (dicionário Python)
- **Arquivo**: `train_result.equation_path` (caminho para o JSON)
- **MLflow**: Como artefato `model_equation.json` no run do experimento