機械学習
MLコンポーネントの宣言型DAG — 特徴、ターゲット、前処理、検証、モデル — 訓練、検証され、ライブインジケーターとして具現化されます。
Módulo Premium
MLパイプラインはコンポーネントの宣言的DAGです。 予測を派生シリーズとして訓練、検証、具体化します — モデルはライブインジケーターになります、サービス時の再訓練なし。
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 with 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 with embargo (previne vazamento). walk_forward expansivo ou rolante. custom partitioning via Python script.
modelo trains with a backend. modelo_custom treina via script Python. otimizar_hiperparametros busca em grade ou aleatória via validação cruzada.
prever 予測を具体化します 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.