Machine Learning
DAG déclaratif de composants ML — features, targets, prétraitement, validation, modèles — entraînés, validés et matérialisés comme un indicateur live.
Module Premium
Le fluxo visual ML est un DAG déclaratif de composants. Entraîne, valide et matérialise la prédiction comme une série dérivée — le modèle devient un indicateur live, SANS réentraînement au serving.
Backends
Composants du fluxo visual
feature_set sélectionne les colonnes. gerar_lags crée des lags temporels. features_calendario ajoute heure/jour (sin/cos). interagir_colunas combine les features (ratio, produit, différence).
target_direcao classifie +1/0/-1 avec dead band. target_retorno régression continue. target_conjunto catégoriel multi-label. target_custom labeling via script Python.
imputar (ffill, bfill, mean, median, constant). Scalers : zscore, minmax, robust, maxabs. winsorize écrête les outliers par quantile. reduzir_pca réduit la dimensionnalité. selecionar_correlacao / selecionar_variancia filtrent les features.
holdout split temporel simple. purged_kfold K-fold avec embargo (prévient les fuites). walk_forward expansif ou glissant. custom partitionnement via script Python.
modelo entraîne avec un backend. modelo_custom entraîne via script Python. otimizar_hiperparametros recherche grid ou random via cross-validation.
prever matérialise la prédiction à ct://derived/name_pred. aplicar_modelo applique un modèle entraîné à une série sans réentraînement — le modèle comme indicateur live. avaliar calcule des métriques custom via script Python.
Évaluation économique
Le fluxo visual peut optionnellement exécuter un teste de sobrevivência sur la prédiction matérialisée. Par défaut : long si pred est positif, short si pred est négatif. Une stratégie Rhai personnalisée peut être fournie.