Machine Learning
DAG declarativo de componentes de ML — características, objetivos, preprocesamiento, validación, modelos — entrenados, validados y materializados como un indicador en vivo.
Módulo Premium
El ML fluxo visual es a declarative DAG de components. Trains, validates y materializes el prediction as a derived series — el model becomes a live indicator, بدون إعادة تدريب عند الخدمة.
Backends (manter técnico, traduzir se não feito)
Componentes do fluxo visual
feature_set seleciona colunas. gerar_lags cria defasagens temporais. features_calendario adiciona hora/dia (sen/cosseno). interagir_colunas combina características (razão, produto, diferença).
target_direcao classifies +1/0/-1 con dead band. target_retorno continuous regression. target_conjunto multi-label categorical. target_custom rotulagem via script Python.
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.
holdout divisão temporal simples. purged_kfold K-fold con embargo (previne vazamento). walk_forward expansivo ou rolante. custom partitioning via Python script.
modelo trains con a backend. modelo_custom treina via script Python. otimizar_hiperparametros busca em grade ou aleatória via validação cruzada.
prever materializes prediction at ct://derived/name_pred. aplicar_modelo aplica um modelo treinado a uma série sem retreinamento — el model as a live indicator. avaliar computa métricas customizadas via script Python.
Avaliação econômica
El fluxo visual can optionally run a teste de sobrevivência over el materialized prediction. Default: long if pred es positive, short if pred es negative. A custom custom strategy can be provided.