# Verhaltenslernen und Vorhersage

Seit `v0.5.0` ist der produktive Lernpfad aktor-zentriert. Nutzer wählen nur
einen Aktor; Sensoren, Kontext und Modelle werden automatisch verwaltet.

## Datengrundlage

Für jeden Aktor lädt SillyHome Next:

- dessen Zustandswechsel aus der Home-Assistant-Historie
- Logbook-Einträge zur Herkunft der Handlung
- automatisch zugeordnete Mess- und Kontext-Entities
- deren Zustand zum Zeitpunkt der Handlung

Eindeutig einem Home-Assistant-Benutzer zugeordnete Handlungen erhalten das
höchste Gewicht. Erkannte Automations- und Script-Aktionen werden verworfen.
Physische oder nicht eindeutig zuordenbare Bedienungen dürfen das
Shadow-Modell ergänzen, reichen allein aber nicht zur Aktivierung.

## Modell

Das lokale Modell speichert pro beobachteter Handlung:

- Zielzustand
- lokale Tageszeit
- Wochentag
- Kontextzustände
- Herkunft und Gewicht

Eine Vorhersage bewertet zeitliche Nähe, Wochentagsmuster und aktuellen
Kontext. Mehrere passende historische Handlungen erhöhen die Confidence.

## Betriebsstufen

1. `collecting`: Noch nicht genügend Handlungen vorhanden.
2. `shadow`: Modell ist trainiert; Vorhersagen werden angezeigt, aber nicht ausgeführt.
3. `active`: Nutzer hat den Aktor ausdrücklich freigegeben.

Die Aktivierung verlangt genügend eindeutig einem Benutzer zugeordnete
Handlungen. Ausgeführt werden nur erlaubte Zustände reversibler Domains:
`light`, `switch`, `fan`, `humidifier` und `cover`.

## Schutzmechanismen

- explizite Freigabe pro Aktor
- konfigurierbare Mindestkonfidenz
- Cooldown zwischen Schaltungen
- keine Ausführung bei bereits erreichtem Zielzustand
- keine Ausführung unbekannter Zustände oder riskanter Domains
- eigene Schaltungen werden beim nächsten Training herausgefiltert
- bekannte Automation-/Script-Aktionen werden nicht als Nutzerverhalten gelernt