Machine Learning

O projeto usa IsolationForest para complementar as regras de risco. O modelo não utiliza is_fraud, is_flagged_fraud ou predicted_fraud como features.

Fluxo

1. dbt cria analytics.ml_transaction_features.
2. O job seleciona uma janela limitada e ordenada temporalmente.
3. Os primeiros 80% formam o treino e os últimos 20% a avaliação.
4. Scores e previsões são gravados em analytics.transaction_anomaly_scores.
5. A execução é registrada em monitoring.ml_model_runs.

Controles de recursos

Variável	Padrão
ML_MAX_ROWS	100000
ML_N_ESTIMATORS	100
ML_N_JOBS	2
ML_PERSIST_BATCH_SIZE	5000
ML_CONTAMINATION	0.01

Os limites evitam carregar uma tabela ilimitada na memória e controlam o paralelismo durante o treino.

Interpretação

Anomalia não equivale automaticamente a fraude. O Streamlit compara os sinais do modelo com regras e rótulos reais, apresenta precisão, recall, F1 e permite investigar transações individuais.