quantum-analytical-engine

name	quantum-analytical-engine
description	Use quando precisar de 5 análises quantitativas locais (estatística descritiva, regressão linear preditiva, detecção de anomalias por z-score, otimização linear, recomendação de stack) executadas no browser ou Node, sem Python e sem chamadas de rede.
allowed-tools	Read, Write, Edit, Bash

quantum-analytical-engine

Engine analítico em TypeScript puro com 5 análises completas. Roda offline em qualquer ambiente JavaScript (Browser, Node, Deno, Edge runtime). Substitui a necessidade de backend Python (pandas/sklearn/scipy) para casos de uso típicos de análise exploratória.

Análises

Tipo	Lib usada	Saída
descritiva	nativa	count, mean, std, min, p25, p50, p75, max por coluna
preditiva	ml-regression-multivariate-linear	coeficientes, intercept, 10 predições amostrais
anomalias	nativa (z-score)	total_rows, anomalies_found, threshold, amostras
otimizacao	javascript-lp-solver	optimal_values, minimum_cost, status
software	nativa (estático)	recomendação de stack

API

type AnalysisType = 'descritiva' | 'preditiva' | 'anomalias' | 'otimizacao' | 'software';

interface AnalysisInput {
  data?: Record<string, number[]> | Array<Record<string, number>>;
  analysisType: AnalysisType;
  targetColumn?: string;
}

interface AnalysisResult {
  analysis_type: AnalysisType;
  input_rows: number;
  input_columns: string[];
  analysis_result: Record<string, unknown>;
}

function executeAnalysis(input: AnalysisInput): AnalysisResult;

Erros de validação têm mensagens prefixadas com Erro_*:

• Erro_Alvo, Erro_Tipo_Alvo — target_column ausente/inválida.
• Erro_Dimensionalidade — features insuficientes ou matriz vazia.
• Erro_Roteamento — analysisType desconhecido.

Source

O código completo (~270 linhas) está em src/lib/analyticalEngine.ts e cobre:

// Imports
import MultivariateLinearRegression from 'ml-regression-multivariate-linear';
import lpSolver from 'javascript-lp-solver';

// Aceita formato colunar OU array de objetos
function toColumnar(data): Record<string, number[]>;

// 1. Descritiva: count/mean/std/quartis
function descriptive(cols): Record<string, unknown>;

// 2. Preditiva: regressão linear multivariada com intercept
function predictive(cols, targetColumn): Record<string, unknown>;

// 3. Anomalias: z-score multivariado |z| > 2.5 em qualquer feature
function anomalies(cols): Record<string, unknown>;

// 4. Otimização: programação linear (exemplo padrão min 2x+3y s.t. ...)
function optimization(): Record<string, unknown>;

// 5. Stack: retorno fixo
function softwareRecommendation(): Record<string, unknown>;

// Entrada principal: roteia por analysisType
export function executeAnalysis(input: AnalysisInput): AnalysisResult;

Copie o arquivo completo de src/lib/analyticalEngine.ts para o projeto destino.

Dependências npm

npm install ml-regression-multivariate-linear javascript-lp-solver

• ml-regression-multivariate-linear (~30KB, puro JS, browser-safe).
• javascript-lp-solver (~50KB, puro JS; Vite externaliza fs/child_process que não são usados pelo Solve()).

Adaptation hints

• Algoritmo de anomalia: a implementação é z-score por feature (|z| > 2.5 em qualquer dimensão). Para Mahalanobis multivariado real (correlações entre features), substituir por ml-distance-mahalanobis. Para Isolation Forest, usar isolation-forest-asw.
• Otimização customizada: o exemplo padrão (min 2x+3y s.t. x+y>=10, x+2y>=15) é hardcoded. Para aceitar c, A, b como input, modifique optimization() para construir o model do lp-solver dinamicamente:

  function optimization(c: number[], A: number[][], b: number[]) {
    const variables: any = {};
    c.forEach((coef, i) => { variables[`x${i}`] = { cost: coef }; });
    const constraints: any = {};
    A.forEach((row, j) => {
      constraints[`c${j}`] = { min: b[j] };
      row.forEach((val, i) => { variables[`x${i}`][`c${j}`] = val; });
    });
    const result = lpSolver.Solve({ optimize: 'cost', opType: 'min', constraints, variables });
    // ...
  }
  

• Predição: MultivariateLinearRegression aceita intercept: false para regressão sem intercept. Para regressão polinomial, pré-processar features com x^2, x*y, etc.
• Mais tipos: adicionar 'classificacao' (logistic regression via ml-logistic-regression), 'clusterizacao' (k-means via ml-kmeans), 'series_temporais' (suavização exponencial nativa).

Verificação matemática (smoke tests)

Após copiar e instalar deps:

// 1. Descritiva
const d = executeAnalysis({ analysisType: 'descritiva', data: { x: [1,2,3,4,5,6,7,8,9,10] } });
console.assert(d.analysis_result.summary_stats.x.mean === 5.5);

// 2. Preditiva (sintética: y = 5*x1 + 100*x2)
const p = executeAnalysis({
  analysisType: 'preditiva',
  data: { x1: [1000,1500,2000,2500,3000], x2: [50,65,80,95,120], y: [10000,14000,18000,22000,27000] },
  targetColumn: 'y',
});
console.assert(p.analysis_result.coefficients.x1 === 5);
console.assert(p.analysis_result.coefficients.x2 === 100);

// 3. Anomalia
const a = executeAnalysis({ analysisType: 'anomalias', data: { v: [1,2,3,2,1,2,3,1,2,100,3,2,1] } });
console.assert(a.analysis_result.anomalies_found === 1);

// 4. Otimização
const o = executeAnalysis({ analysisType: 'otimizacao' });
console.assert(o.analysis_result.optimal_values[0] === 5);
console.assert(o.analysis_result.minimum_cost === 25);

Origin

Implementação original em src/lib/analyticalEngine.ts. Porte do QuantumAnalyticalEngine Python (pandas/sklearn/scipy) para TypeScript puro feito no PR #2 do MULT-CHAT-HUB.