Nigel AIが利用できないのでGithub Copilotを使ってみました

"""
labview_copilot_bridge.py

LabVIEW の Python Node から呼び出すための同期ラッパーです。
GitHub Copilot SDK (github-copilot-sdk, `from copilot import CopilotClient`) は
中身が asyncio ベース(async def)ですが、LabVIEW の Python Node は
async def を直接呼び出せないため、内部で asyncio イベントループを
persistent に保持し、run_until_complete() 経由で叩く def 関数として
公開しています。

前提:
    pip install github-copilot-sdk
    GitHub Copilot CLI が認証済みであること
    (SDKが内部でCLIをspawnして使うので、事前に `gh auth login` 等で
     Copilotが使える状態にしておく必要があります)

LabVIEW側の呼び出し順序(重要):
    1) Open Python Session でこのモジュールを開く(1回だけ)
    2) open_session()  … VI起動時に1回だけ呼ぶ
    3) chat(prompt)     … 何回でも呼べる
    4) close_session()  … VI停止時に1回だけ呼ぶ
    5) Close Python Session

★注意★
    open_session/chat/close_session はモジュールレベルの変数
    (_loop, _client, _session) で状態を持ち回します。
    LabVIEWが「Open Python Session」を3回とも同じセッションで
    呼び出している(=同じPythonインタプリタが生き続けている)ことが
    前提です。呼び出しごとに新しいPython Sessionを開いてしまうと、
    グローバル変数がリセットされ、chat()やclose_session()が
    「ERROR: no open session」を返します。
"""

import asyncio

from copilot import CopilotClient
from copilot.session import PermissionHandler

# LabVIEWからの複数回呼び出しをまたいで保持する状態
_loop = None
_client = None
_session = None


def open_session(model="gpt-5"):
    """Copilot CLIを起動し、チャットセッションを1つ開く。

    引数:
        model (str): 使用するモデル名。省略時は "gpt-5"。

    戻り値:
        str: 成功時 "OK"、失敗時 "ERROR: <詳細>"
    """
    global _loop, _client, _session

    if _session is not None:
        return "ERROR: session already open. call close_session() first."

    try:
        _loop = asyncio.new_event_loop()
        asyncio.set_event_loop(_loop)

        async def _open():
            client = CopilotClient()
            await client.start()
            # on_permission_request は必須パラメータです。
            # approve_all はツール呼び出し(シェル実行やファイル書き込み含む)を
            # 無条件に許可するので、動作確認が済むまでは自己責任で。
            # 厳しくしたい場合は自作のハンドラ関数に差し替えてください。
            session = await client.create_session(
                on_permission_request=PermissionHandler.approve_all,
                model=model,
            )
            return client, session

        _client, _session = _loop.run_until_complete(_open())
        return "OK"

    except Exception as exc:
        _client = None
        _session = None
        return "ERROR: " + str(exc)


def chat(prompt):
    """1つのプロンプトを送り、Copilotの返答テキストを返す。

    open_session() を先に呼んでおく必要があります。

    引数:
        prompt (str): ユーザーからの入力文

    戻り値:
        str: 成功時はCopilotの返答テキスト、失敗時は "ERROR: <詳細>"
    """
    global _loop, _session

    if _session is None or _loop is None:
        return "ERROR: no open session. call open_session() first."

    try:
        async def _chat():
            response = await _session.send_and_wait(prompt)
            if response is None:
                return "ERROR: timed out waiting for a reply."
            return response.data.content

        return _loop.run_until_complete(_chat())

    except Exception as exc:
        return "ERROR: " + str(exc)


def close_session():
    """チャットセッションを閉じ、Copilot CLIプロセスを停止する。

    戻り値:
        str: 成功時 "OK"、失敗時 "ERROR: <詳細>"
    """
    global _loop, _client, _session

    if _session is None and _client is None:
        return "OK"  # 既に閉じている

    try:
        async def _close():
            if _session is not None:
                await _session.disconnect()
            if _client is not None:
                await _client.stop()

        if _loop is not None:
            _loop.run_until_complete(_close())
            _loop.close()

        return "OK"

    except Exception as exc:
        return "ERROR: " + str(exc)

    finally:
        _client = None
        _session = None
        _loop = None


if __name__ == "__main__":
    # ------------------------------------------------------------------
    # python labview_copilot_bridge.py で直接実行したときの動作確認用エントリ
    # ポイント:
    #   open_session/chat/close_session は LabVIEW からの呼び出しと同じ
    #   「モジュールレベル変数で状態を持ち回す」経路をそのまま通すので、
    #   ここで正しく動けば LabVIEW 側でも同じ挙動になるはず、という確認になる。
    # ------------------------------------------------------------------

    # 動作確認用の固定プロンプト。内容は何でもよい。
    TEST_PROMPT = "こんにちは。あなたは今何ができますか？一言で自己紹介してください。"

    print("=== open_session() ===")
    result = open_session()
    print(result)

    try:
        if result != "OK":
            print("open_session に失敗したため、以降の処理を中止します。")
        else:
            print()
            print("=== chat() ===")
            print(f"[prompt] {TEST_PROMPT}")
            reply = chat(TEST_PROMPT)
            print(f"[reply] {reply}")
    finally:
        print()
        print("=== close_session() ===")
        print(close_session())

"""
決定木のサンプルコード
scikit-learnを使用した基本的な実装例
"""

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
import matplotlib.pyplot as plt

# ============================================
# 1. サンプルデータの読み込み
# ============================================
print("=" * 50)
print("決定木の例：アイリス（あやめ）データセット")
print("=" * 50)

iris = load_iris()
X = iris.data  # 特徴量（花の大きさなど）
y = iris.target  # ターゲット（花の種類）

print(f"\nデータセット情報:")
print(f"  サンプル数: {X.shape[0]}")
print(f"  特徴量の数: {X.shape[1]}")
print(f"  クラス数: {len(set(y))}")
print(f"  特徴量の名前: {iris.feature_names}")
print(f"  クラスの名前: {iris.target_names}")

# ============================================
# 2. データセットを訓練用とテスト用に分割
# ============================================
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

print(f"\nデータ分割:")
print(f"  訓練用: {X_train.shape[0]}件")
print(f"  テスト用: {X_test.shape[0]}件")

# ============================================
# 3. 決定木モデルの作成と訓練
# ============================================
dt_classifier = DecisionTreeClassifier(
    max_depth=5,  # 木の最大深さ
    random_state=42
)

dt_classifier.fit(X_train, y_train)
print(f"\n✅ 決定木の訓練が完了しました")

# ============================================
# 4. 予測と精度評価
# ============================================
y_pred = dt_classifier.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print(f"\n📊 精度: {accuracy:.2%}")
print(f"\n詳細な分類レポート:")
print(classification_report(y_test, y_pred, target_names=iris.target_names))

# ============================================
# 5. 特定のサンプルで予測
# ============================================
sample = X_test[0].reshape(1, -1)
prediction = dt_classifier.predict(sample)
prediction_proba = dt_classifier.predict_proba(sample)

print(f"\n🔍 サンプル予測:")
print(f"  入力値: {sample[0]}")
print(f"  予測結果: {iris.target_names[prediction[0]]}")
print(f"  確信度: {prediction_proba[0].max():.2%}")

# ============================================
# 6. 決定木の可視化
# ============================================
print(f"\n📈 決定木を可視化しています...")
plt.figure(figsize=(20, 10))
plot_tree(
    dt_classifier,
    feature_names=iris.feature_names,
    class_names=iris.target_names,
    filled=True
)
plt.title("アイリスデータセットの決定木")
plt.tight_layout()
plt.savefig("decision_tree.png", dpi=100, bbox_inches='tight')
print("  ✅ 'decision_tree.png' に保存しました")

# ============================================
# 7. 特徴量の重要度
# ============================================
print(f"\n🎯 特徴量の重要度:")
for name, importance in zip(iris.feature_names, dt_classifier.feature_importances_):
    print(f"  {name}: {importance:.4f}")

print("\n" + "=" * 50)
print("完了！")
print("=" * 50)