Seleção incremental¶

A seleção começa no melhor modelo individual e visita as famílias na ordem family_order: estatística, linear, kernel, árvore, neural, residual, decomposição, combinação e seleção dinâmica. A finalista de cada família — sua melhor estrutura na busca — desafia o campeão do momento em V_select.

Algumas famílias só entram na cadeia quando são usadas, e o protocolo padrão não muda sem elas:

intermittent (croston_sba, tsb, adida, imapa), quando um desses modelos está em base_models, e as famílias de modelos registrados com register_model, assim que registrados: logo antes de residual;
ensemble, quando incluída em compare_models(include=...): por último, antes de dynamic.

Famílias sem finalista (não pedidas no include ou sem candidata válida) são puladas.

Regra de aceite¶

Com os parâmetros padrão, o desafiante substitui o campeão só se, nas mesmas unidades (origens):

tiver cobertura completa e métricas finitas;
ganho mediano pareado (E_campeão − E_desafiante) / |E_campeão| ≥ 5 %;
taxa de vitórias ≥ 60 % (empates não contam);
variabilidade correction_std_ratio ≥ 0,05 quando houver corretor — um corretor que quase não mexe na previsão é inerte. O valor é a mediana por série (sobre as unidades comparadas) e depois a mediana entre as séries; uma série sem diagnóstico finito aparece como NaN em variability_by_series da decisão e fica fora da mediana (versão 2 do critério).

Opcionalmente, AutoHybridExperiment(significance_alpha=0.05) acrescenta um critério estatístico: o desafiante também precisa vencer num teste de Wilcoxon pareado unilateral nas mesmas unidades, p < alfa (motivo not_significant; o p-valor aparece na coluna p_value das decisões). Unidades com erros iguais saem do teste; com n unidades restantes (todas as séries juntas) o menor p-valor possível é 1/2ⁿ: são precisas ao menos 5 para alfa = 0,05. Com fold=3 numa série, o critério nunca passa. O teste controla cada comparação, não a cadeia inteira: várias famílias desafiam um campeão que muda com as decisões anteriores, e origens vizinhas não são independentes.

Calibração da regra¶

Os limiares e o número de origens vêm de uma calibração com resposta conhecida (autohybts.benchmarks.calibration): 50 séries de ruído branco, onde qualquer estrutura composta é um falso aceite, e 50 com resíduo AR(0,8), onde a correção é útil. A meta, fixada antes de medir, era falso aceite ≤ 10 % e ganho útil aceito ≥ 50 %, por cadeia.

Regra	Falso aceite	Ganho útil aceito
ganho ≥ 1 %, `fold=3` (padrão anterior)	38 %	66 %
ganho ≥ 5 %, `fold=3`	16 %	60 %
ganho ≥ 5 %, `fold=5`	12 %	72 %
ganho ≥ 5 %, ``fold=7`` (padrão)	2 % (confirmação: 4 %)	54 % (confirmação: 56 %)

Por isso fold="auto" (padrão do experimento) usa 7 origens por camada quando o histórico permite. Numa série curta usa o maior número que cabe e avisa: a regra continua mais conservadora que a anterior, mas a taxa de falso aceite medida vale só para 7 unidades. Um fold inteiro é respeitado como dado; o número usado fica em exp.fold_. Num painel, as unidades de todas as séries entram juntas na comparação.

Rejeição mantém o campeão. Cada decisão fica registrada, aceita ou não (result.selection.decision_units_frame() traz, por decisão e unidade, os dois erros, o ganho e a vitória, para recalcular ou reamostrar fora da biblioteca):

result.decisions
#   family    champion_before  challenger   accepted  median_gain  win_rate ...
#   residual  arima            arima-mlp    False     -0.07        0.33

Perfis¶

quickstart: critério de variabilidade desligado por padrão (e dito explicitamente).
standard: regra completa (padrão).
research_strict: regra completa e cobertura total obrigatória.
exploratory: resultados marcados como exploratórios na auditoria.

Ranking¶

Na busca e entre séries, cada estrutura é representada pela sua melhor configuração; estruturas são ordenadas por posto (empates com posto médio), depois erro agregado, cobertura, custo e candidate_id. Num painel, os postos são calculados por série e promediados.

Aviso

Sem significance_alpha, a regra é um protocolo, não um teste de hipótese: em ruído branco ela aceitou híbridos espúrios em parte das sementes testadas. O número de origens em V_select pesa muito: com 2 unidades, 60 % de vitórias exige vencer as duas, o que acontece por acaso em cerca de 1 de cada 4 comparações. Meça o comportamento da cadeia com autohybts.benchmarks.calibration e use a comparação e a CV aninhada para relatar a incerteza.

Ver também

Tutoriais: 02. Busca de híbridos e seleção incremental, 09. Ablação do procedimento de seleção, 11. Calibração da regra de aceite.

Limiares configuráveis¶

Os parâmetros públicos abaixo também funcionam em space no JSON da ablação. Os defaults permanecem: ganho mediano 0,05, vitórias 0,60, cobertura completa e epsilon 1e-12. variability_threshold=None herda o perfil (0,05, ou desligado em quickstart); um valor numérico explícito liga o critério, inclusive em quickstart. research_strict continua exigindo cobertura completa.

exp = AutoHybridExperiment(
    median_gain_threshold=0.05, win_rate_threshold=0.60,
    variability_threshold=0.05, min_coverage=1.0, epsilon=1e-12,
)

Os limiares devem ser números finitos, sem booleanos. Ganho e variabilidade são não negativos; vitórias ficam em [0, 1], cobertura em (0, 1] e epsilon é positivo. Os valores efetivos entram na política, nos snapshots e no hash do protocolo de seleção. Propagam-se às buscas aninhadas e ao AutoHybridForecaster. Sua alteração não muda o protocolo da busca nem acessa o teste selado. Fixe-os antes da avaliação externa; a calibração dos defaults não certifica valores customizados.

Ver também

Tutorial executável do piloto M4: auditoria, custo e retomada. 22. Projeto com o M4 diário: seleção guardada, retomada e custo.