Machine Learning
DAG declarativo de componentes de ML — features, alvos, pré-processamento, validação, modelos — treinados, validados e materializados como um indicador vivo.
Módulo Premium
O fluxo visual de ML é um DAG declarativo de componentes. Treina, valida e materializa a previsão como uma série derivada — o modelo se torna um indicador vivo, SEM retreinamento no serviço.
Backends
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 com banda morta. target_retorno regressão contínua. 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 com embargo (previne vazamento). walk_forward expansivo ou rolante. custom partitioning via Python script.
modelo treina com o 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 — o modelo como indicador vivo. avaliar computa métricas customizadas via script Python.
Economic evaluation
O fluxo visual pode opcionalmente rodar um teste de sobrevivência sobre a previsão materializada. Padrão: long se pred é positivo, short se pred é negativo. Uma estratégia Rhai customizada pode ser fornecida.