+
+ {#if histgbSystemStatus !== null}
+
+ {histgbSystemStatus.ok ? '✅' : '⚠️'}
+
+ {histgbSystemStatus.ok ? 'Système ML vérifié' : 'Problèmes détectés'}
+
+ {#if !histgbSystemStatus.ok}
+
+ 🔧 Réparer
+
+
+ 🔄 Sync
+
+ {/if}
+
+ 🔍
+
+
+ {/if}
+
+
+
+
🎯
+
+
HistGradientBoosting Optimisé
+
Ce modèle utilise HistGradientBoostingClassifier (10x plus rapide) avec 5 hyperparamètres optimisés.
+ Accuracy cible: 64-69% avec régularisation L2 pour éviter l'overfitting.
+
+
+
+
+
+ ⚡ Type de Modèle
+
+ Choisissez l'algorithme d'entraînement. HistGradientBoosting est 10x plus rapide avec des performances similaires.
+
+
+
+
setModelType('gb')}
+ >
+ 🌳
+
+ GradientBoosting
+ Standard - Plus précis sur petits datasets
+
+ 1x
+
+
+
setModelType('histgb')}
+ >
+ ⚡
+
+ HistGradientBoosting
+ Rapide - Idéal pour Optuna (100+ trials)
+
+ 10x
+
+
+
+
Vitesse entraînement
+
+
+
+ Optuna 100 trials
+ {modelType === 'histgb' ? '~2-5 min' : '~15-30 min'}
+
+
+ Accuracy attendue
+ ~64% (équivalent)
+
+
+
+
+
+
+
+
+ 📊 Métriques du Modèle GradientBoosting
+ {#if loadingMLMetrics}
+ ⏳ Chargement des métriques...
+ {:else}
+
+
= 60} class:ok={mlMetricsGB.test_accuracy >= 55 && mlMetricsGB.test_accuracy < 60} class:warning={mlMetricsGB.test_accuracy < 55}>
+ {mlMetricsGB.is_cv ? '🔬 CV Accuracy' : 'Test Accuracy'}
+
+ {mlMetricsGB.test_accuracy.toFixed(1)}%
+ {#if mlMetricsGB.is_cv && mlMetricsGB.test_accuracy_std > 0}
+ ± {mlMetricsGB.test_accuracy_std.toFixed(1)}%
+ {/if}
+
+ {mlMetricsGB.test_accuracy >= 60 ? '🎉 Excellent' : mlMetricsGB.test_accuracy >= 55 ? '✅ Bon' : '⚠️ À améliorer'}
+
+
= 0.4} class:warning={mlMetricsGB.test_f1 < 0.4}>
+ F1 Score
+ {mlMetricsGB.test_f1.toFixed(3)}
+ {mlMetricsGB.test_f1 >= 0.4 ? 'Bon équilibre' : 'Modéré'}
+
+
= 0.6}>
+ Precision
+ {mlMetricsGB.test_precision.toFixed(3)}
+ {mlMetricsGB.test_precision >= 0.6 ? 'Peu de faux positifs' : 'OK'}
+
+
15 && mlMetricsGB.overfitting_gap <= 25} class:danger={mlMetricsGB.overfitting_gap > 25}>
+ Overfitting Gap
+ {mlMetricsGB.overfitting_gap.toFixed(1)}%
+ {mlMetricsGB.overfitting_gap <= 15 ? 'Stable' : mlMetricsGB.overfitting_gap <= 25 ? 'Modéré' : 'Élevé'}
+
+
= 1000} class:ok={mlMetricsGB.trades_count >= 500} class:warning={mlMetricsGB.trades_count < 500}>
+ Dataset
+ {mlMetricsGB.trades_count.toLocaleString()}
+ {mlMetricsGB.trades_count >= 1000 ? '👍 Excellent' : mlMetricsGB.trades_count >= 500 ? 'Suffisant' : 'Besoin de plus'}
+
+
+
+
+
+ 🔢 Données ML Disponibles
+
+ Nombre de trades utilisables pour l'entraînement ML après filtrage (exclusion des trades manuels et configs différentes).
+
+
+ {#if loadingTradesStats}
+ ⏳ Chargement des stats...
+ {:else if mlTradesStats}
+
+
+
📊
+
+ {mlTradesStats.total_trades?.toLocaleString() || 0}
+ Trades Total
+
+
+
+
+
🚫
+
+ -{mlTradesStats.manual_excluded || 0}
+ Manuels exclus
+
+
+
+
+
⚙️
+
+ -{mlTradesStats.different_config_excluded || 0}
+ Configs différentes
+
+
+
+
= 500} class:warning={mlTradesStats.config_filtered_trades < 500}>
+
✅
+
+ {mlTradesStats.config_filtered_trades?.toLocaleString() || 0}
+ Trades ML utilisables
+
+
+
+ Config actuelle (setup):
+ min_score={mlTradesStats.current_config.min_score},
+ snr={mlTradesStats.current_config.snr_threshold},
+ vol_mult={mlTradesStats.current_config.volume_mult},
+ confluence={mlTradesStats.current_config.use_confluence ? 'ON' : 'OFF'}
+
+
+ ATR: 1m=[{mlTradesStats.current_config.atr_min_1m}-{mlTradesStats.current_config.atr_max_1m}], 5m=[{mlTradesStats.current_config.atr_min_5m}-{mlTradesStats.current_config.atr_max_5m}]
+
+
+ TP/SL: mode={mlTradesStats.current_config.tp_sl_mode}, TP={mlTradesStats.current_config.tp_percent}%, SL={mlTradesStats.current_config.sl_percent}%
+
+ {/if}
+
+ 🔄 Rafraîchir
+
+ {:else}
+ ❌ Impossible de charger les stats
+ {/if}
+
+
+
+
+ ⚙️ Hyperparamètres HistGradientBoosting
+
+ Paramètres optimisés pour HistGradientBoostingClassifier (10x plus rapide, anti-overfitting).
+
+
+
+
+
🌳 Configuration Arbres
+
+
+
+ {config.gb_max_iter}
+
+
+
+
+ triggerAutoSave('gb_max_depth', config.gb_max_depth)} class="select-input">
+ 2 (très conservateur)
+ 3 (conservateur)
+ 4 (modéré)
+ 5 (agressif)
+ 6 (optimisé ⭐)
+
+
+
+
+
+ {config.gb_learning_rate.toFixed(2)}
+
+
+
+
+
+
🛡️ Régularisation
+
+
+
+ {config.gb_min_samples_leaf}
+
+
+
+
+
+ {(config.gb_l2_regularization || 0.5).toFixed(1)}
+
+
+
+
+
+
+
+ ⚖️ Calibration ML Auto-Adaptative
+
+ Ajuste automatiquement la confiance ML en fonction du WinRate réel observé par bucket.
+
+
+
+
+
+
+
+
+
+
+
⚖️ Pondération des Trades
+
+
+
+
+ {config.ml_calib_live_weight}
+
+
+
+
+
+
+ {config.ml_calib_dryrun_weight}
+
+
+
+
+
+
⏳ Paramètres Temporels & Seuils
+
+
+
+
+ {config.ml_calib_decay_days}j
+
+
+
+
+
+
+ {config.ml_calib_min_trades}
+
+
+
+
+
+
+ {config.ml_calib_min_winrate}%
+
+
+
+
+
+
+
+
+
+
+
+
+
+ {#if optimizingOptuna}
+ ⏳ Optimisation en cours... ({optunaProgress}%)
+ {:else}
+ 🔬 Lancer Optimisation Optuna
+ {/if}
+
+
+ {#if optunaStatus?.status === 'completed'}
+
+ {optunaStatus?.applied ? '🔄 Ré-appliquer les paramètres' : '✅ Appliquer les meilleurs paramètres'}
+
+ {#if optunaStatus?.applied}
+
+ 🎯 Réentraîner avec ces paramètres
+
+ {/if}
+ {/if}
+
+ {#if optunaStatus?.message}
+
+ {optunaStatus.message}
+
+ {/if}
+
+
+
Trial {optunaStatus?.current_trial || 0}/{optunaStatus?.total_trials || 100}
+
+
🎯 Meilleurs paramètres trouvés
+
+
+ {#if optunaStatus.metrics_holdout}
+
+
+ Test Accuracy (Optuna)
+ {((optunaStatus.metrics_holdout.test_accuracy || 0) * 100).toFixed(1)}%
+
+
+ F1 Score
+ {(optunaStatus.metrics_holdout.f1_score || 0).toFixed(3)}
+
+
+ Overfitting Gap
+ {((optunaStatus.metrics_holdout.overfitting_gap || 0) * 100).toFixed(1)}%
+
+
+ {/if}
+
+
+ {#each Object.entries(optunaStatus.best_params) as [key, value]}
+
+ {key}
+ {typeof value === 'number' ? (Number.isInteger(value) ? value : value.toFixed(4)) : value}
+
+ {/each}
+
+ {#if optunaStatus.applied}
+
✅ Paramètres appliqués aux sliders
+ {/if}
+
+
+ ℹ️ Pourquoi les métriques diffèrent entre Optuna et l'UI ?
+
+
Métriques Optuna = calculées pendant l'optimisation sur un split 80/20
+
Métriques UI (Config B) = calculées après ré-entraînement complet
+
Les différences sont normales car :
+
+ Le split train/test change à chaque entraînement
+ L'UI peut utiliser un filtrage de données différent
+ La cross-validation (~63%) est plus représentative
+
+
Conseil : Fiez-vous à la Cross-Validation plutôt qu'au holdout test.
+
+
+
+
+
+
+
+
+ {verifyingComplete ? '⏳ Vérification...' : '🔍 Lancer Vérification Complète'}
+
+
+ {#if verifyCompleteResult}
+
+
+
+
+ {#each verifyCompleteResult.checks || [] as check}
+
+
+ {#if check.status === 'OK'}✅{:else if check.status === 'WARNING'}⚠️{:else}❌{/if}
+
+ {check.name}
+ {check.details}
+
+ {/each}
+
+
+ {/if}
+
+ {#if verifyResult}
+
+ {#if verifyResult.status === 'PASS'}
+ ✅ Modèle valide - Accuracy: {(verifyResult.accuracy * 100).toFixed(1)}%
+ {:else if verifyResult.status === 'error'}
+ ❌ Erreur: {verifyResult.message}
+ {:else}
+ ⚠️ Modèle non performant: {verifyResult.message}
+ {/if}
+
+ {/if}
+
+
+
+
+ ℹ️ Features Importantes
+
+
+
🕐
+
+
Heures Favorables (UTC)
+
2h, 12h, 16h → Win rate ~55%
+
+
+
+
⚠️
+
+
Heures Défavorables (UTC)
+
4h, 18h, 23h → Win rate ~35%
+
+
+
+
📈
+
+
RSI Momentum
+
Différence RSI 1m vs 5m
+
+
+
+
📊
+
+
MACD Aligné
+
MACD 1m et 5m même signe
+
+
+
+
+
+
+
+
+
+
✓ Sélection features (RF importance)
+
✓ Grid search hyperparamètres
+
✓ Analyse seuils de confiance
+
✓ Cross-validation 5-fold
+
✓ Comparaison ancien/nouveau
+
+ {#if autoOptimizing}
+ ⏳ Optimisation en cours...
+ {:else}
+ 🚀 Lancer Optimisation Complète
+ {/if}
+
+
+