feat(training): 添加训练模块基础架构

实现 Commit 1：训练模块基础架构

新增文件：

- src/training/__init__.py - 主模块导出

- src/training/components/__init__.py - components 子模块导出

- src/training/components/base.py - BaseModel/BaseProcessor 抽象基类

- src/training/registry.py - 模型和处理器注册中心

- tests/training/test_base.py - 基础架构单元测试

功能特性：

- BaseModel: 提供 fit, predict, feature_importance, save/load 接口

- BaseProcessor: 提供 fit, transform, fit_transform 接口

- ModelRegistry/ProcessorRegistry: 支持装饰器风格组件注册

- 支持即插即用的组件扩展机制

Ultraworked with [Sisyphus](https://github.com/code-yeongyu/oh-my-opencode)

Co-authored-by: Sisyphus <clio-agent@sisyphuslabs.ai>

src/training/components/__init__.py

@@ -0,0 +1,12 @@
+"""训练组件子模块
+
+包含模型、处理器、划分器、选择器等组件。
+"""
+
+# 基础抽象类
+from src.training.components.base import BaseModel, BaseProcessor
+
+__all__ = [
+    "BaseModel",
+    "BaseProcessor",
+]

src/training/components/base.py

@@ -0,0 +1,141 @@
+"""基础抽象类定义
+
+定义 BaseModel 和 BaseProcessor 抽象基类，
+为所有训练组件提供统一的接口。
+"""
+
+from abc import ABC, abstractmethod
+from typing import Optional
+import pickle
+
+import polars as pl
+import numpy as np
+import pandas as pd
+
+
+class BaseModel(ABC):
+    """模型基类
+
+    所有机器学习模型必须继承此类并实现抽象方法。
+    提供统一的训练、预测、特征重要性和持久化接口。
+
+    Attributes:
+        name: 模型名称，子类必须定义
+    """
+
+    name: str = ""  # 模型名称
+
+    @abstractmethod
+    def fit(self, X: pl.DataFrame, y: pl.Series) -> "BaseModel":
+        """训练模型
+
+        Args:
+            X: 特征矩阵 (Polars DataFrame)
+            y: 目标变量 (Polars Series)
+
+        Returns:
+            self (支持链式调用)
+        """
+        raise NotImplementedError
+
+    @abstractmethod
+    def predict(self, X: pl.DataFrame) -> np.ndarray:
+        """预测
+
+        Args:
+            X: 特征矩阵 (Polars DataFrame)
+
+        Returns:
+            预测结果 (numpy ndarray)
+        """
+        raise NotImplementedError
+
+    def feature_importance(self) -> Optional[pd.Series]:
+        """特征重要性
+
+        Returns:
+            特征重要性序列，如果不支持则返回 None
+        """
+        return None
+
+    def save(self, path: str) -> None:
+        """保存模型到文件
+
+        默认实现使用 pickle 序列化，子类可覆盖以使用更高效的格式。
+
+        Args:
+            path: 保存路径
+
+        Raises:
+            RuntimeError: 模型未训练时调用
+        """
+        with open(path, "wb") as f:
+            pickle.dump(self, f)
+
+    @classmethod
+    def load(cls, path: str) -> "BaseModel":
+        """从文件加载模型
+
+        Args:
+            path: 模型文件路径
+
+        Returns:
+            加载的模型实例
+        """
+        with open(path, "rb") as f:
+            return pickle.load(f)
+
+
+class BaseProcessor(ABC):
+    """数据处理器基类
+
+    重要：Processor 在不同阶段行为不同：
+    - 训练阶段：fit_transform（学习参数并应用）
+    - 验证/测试阶段：transform（使用训练阶段学到的参数）
+
+    这意味着 Processor 实例会在训练后被保存，
+    用于后续的验证和测试数据转换。
+
+    Attributes:
+        name: 处理器名称，子类必须定义
+    """
+
+    name: str = ""
+
+    def fit(self, X: pl.DataFrame) -> "BaseProcessor":
+        """学习参数（仅在训练阶段调用）
+
+        子类应覆盖此方法以学习统计参数（如均值、标准差等）。
+
+        Args:
+            X: 训练数据 (Polars DataFrame)
+
+        Returns:
+            self (支持链式调用)
+        """
+        return self
+
+    @abstractmethod
+    def transform(self, X: pl.DataFrame) -> pl.DataFrame:
+        """转换数据
+
+        Args:
+            X: 输入数据 (Polars DataFrame)
+
+        Returns:
+            转换后的数据 (Polars DataFrame)
+        """
+        raise NotImplementedError
+
+    def fit_transform(self, X: pl.DataFrame) -> pl.DataFrame:
+        """拟合并转换（训练阶段使用）
+
+        先调用 fit 学习参数，然后调用 transform 应用转换。
+
+        Args:
+            X: 训练数据 (Polars DataFrame)
+
+        Returns:
+            转换后的数据 (Polars DataFrame)
+        """
+        return self.fit(X).transform(X)