التعلم الآلي

Módulo Premium

خط أنابيب ML هو DAG تصريحي من المكونات. يدرب ويتحقق ويُجسّد the prediction as a derived series — the model becomes a live indicator, بدون إعادة تدريب عند الخدمة.

نماذج الخلفية (manter técnico, traduzir se não feito)

centroid

Centroid-based classifier

gbdt

Gradient Boosting Decision Trees

linear

Linear regression/classification

random_forest

Tree ensemble

knn

K-Nearest Neighbors

mlp

Multi-Layer Perceptron (PyTorch)

kmeans

Unsupervised clustering

isolation_forest

Anomaly detection

Componentes do fluxo visual

Características

feature_set seleciona colunas. gerar_lags cria defasagens temporais. features_calendario adiciona hora/dia (sen/cosseno). interagir_colunas combina características (razão, produto, diferença).

Targets

target_direcao classifies +1/0/-1 with dead band. target_retorno continuous regression. target_conjunto multi-label categorical. target_custom rotulagem via script Python.

Pré-processamento

imputar (ffill, bfill, média, mediana, constante). Escaladores: zscore, minmax, robust, maxabs. winsorize corta outliers por quantil. reduzir_pca reduz dimensionalidade. selecionar_correlacao / selecionar_variancia filtra características.

Validação

holdout divisão temporal simples. purged_kfold K-fold with embargo (previne vazamento). walk_forward expansivo ou rolante. custom partitioning via Python script.

Modelo e otimização

modelo trains with a backend. modelo_custom treina via script Python. otimizar_hiperparametros busca em grade ou aleatória via validação cruzada.

Serviço

prever materializes prediction at ct://derived/name_pred. aplicar_modelo aplica um modelo treinado a uma série sem retreinamento — the model as a live indicator. avaliar computa métricas customizadas via script Python.

Avaliação econômica

The fluxo visual can optionally run a teste de sobrevivência over the materialized prediction. Default: long if pred is positive, short if pred is negative. A custom custom strategy can be provided.