Machine Learning
DAG dichiarativo di componenti ML — feature, target, preprocessing, validazione, modelli — addestrati, validati e materializzati come indicatore live.
Modulo Premium
La fluxo visual ML è un DAG dichiarativo di componenti. Addestra, valida e materializza la previsione come serie derivata — il modello diventa un indicatore live, SENZA ri-addestramento al serving.
Backends
Componenti della fluxo visual
feature_set seleziona le colonne. gerar_lags crea lag temporali. features_calendario aggiunge ora/giorno (sin/cos). interagir_colunas combina feature (rapporto, prodotto, differenza).
target_direcao classifica +1/0/-1 con dead band. target_retorno regressione continua. target_conjunto categorico multi-label. target_custom labeling via script Python.
imputar (ffill, bfill, mean, median, constant). Scaler: zscore, minmax, robust, maxabs. winsorize taglia outlier per quantile. reduzir_pca riduce dimensionalità. selecionar_correlacao / selecionar_variancia filtrano le feature.
holdout split temporale semplice. purged_kfold K-fold con embargo (previene leakage). walk_forward espandibile o rolling. custom partizionamento via script Python.
modelo addestra con un backend. modelo_custom addestra via script Python. otimizar_hiperparametros grid o random search via cross-validation.
prever materializza la previsione a ct://derived/name_pred. aplicar_modelo applica un modello addestrato a una serie senza ri-addestramento — il modello come indicatore live. avaliar calcola metriche custom via script Python.
Valutazione economica
La fluxo visual può opzionalmente eseguire un teste de sobrevivência sulla previsione materializzata. Default: long se pred è positivo, short se pred è negativo. Una strategia Rhai personalizzata può essere fornita.