trailblazer-ml 0.1.5

Uma biblioteca de AutoML Exploratório e 'Glass-Box'.

ScoutML: Enterprise AutoML & Audit Framework

Versão: 2.1.0
Foco: Governança, Auditabilidade e Robustez

O ScoutML não é apenas mais um framework de AutoML. Ele foi desenhado para ambientes regulados e críticos (Crédito, Fraude, Seguros, Saúde), onde explicar por que um modelo tomou uma decisão é tão importante quanto a sua performance.

Diferente de outras ferramentas do tipo caixa-preta, o ScoutML gera um Relatório de Auditoria Completo (Markdown + Gráficos) detalhando cada decisão estatística tomada, desde a limpeza de dados até a validação de estabilidade (PSI/KS).

---

Principais Diferenciais (v2.1)

1. Scout v2 (O Analista Estatístico)

Antes de treinar, o Scout realiza uma varredura profunda nos dados:

• Detecção de Leakage:
  Usa um modelo "Sentinela" para identificar variáveis que contêm a resposta (vazamento de dados) e remove-as automaticamente.
• Perfilamento Estatístico:
  Calcula Skewness (assimetria), Kurtosis e Outliers (via IQR) para guiar o pré-processamento.
• Higiene de Dados:
  Remove identificadores (IDs), colunas constantes e multicolinearidade excessiva.

---

2. Forge v2 (O Engenheiro Inteligente)

Constrói pipelines de scikit-learn dinamicamente, baseados no diagnóstico do Scout:

• Tratamento de Outliers:
  Aplica RobustScaler automaticamente se detectar mais de 5% de outliers.
• Normalização:
  Aplica PowerTransformer (Yeo-Johnson) em distribuições enviesadas.
• Encoding Inteligente:
  Alterna entre OneHotEncoder (baixa cardinalidade) e TargetEncoder (alta cardinalidade) para evitar explosão dimensional.

---

3. Auditoria de Risco & Estabilidade

Para problemas de classificação, o ScoutML gera métricas padrão de mercado financeiro:

• KS (Kolmogorov-Smirnov):
  Mede a separação entre classes.
• PSI (Population Stability Index):
  Garante que o modelo não está degradado entre Treino e Teste.
• Matriz de Confusão:
  Visualização clara de Falsos Positivos e Falsos Negativos.

---

Instalação

O ScoutML depende de bibliotecas robustas de Data Science.

1. Crie um arquivo requirements.txt (veja a seção abaixo).
2. Instale as dependências:

pip install -r requirements.txt