Mega-Sena Predictor

Classifica os 60 números em três faixas de frequência (alta, média e baixa) com base nos sorteios históricos. Aplica pontuação gaussiana na distribuição de espaçamento entre números e na posição de cada bola. Exclui automaticamente os números dos 2 últimos sorteios para evitar repetições imediatas, e garante que nenhum número se repita entre os jogos gerados.

Combina quatro modelos: K-means clustering para agrupar padrões de números, Isolation Forest para detectar combinações anômalas (raras mas possíveis), análise de tendências temporais para capturar números em ascensão, e uma rede neural adaptativa que pondera os resultados dos três modelos anteriores.

Analisa a frequência dos números em quatro janelas temporais diferentes: últimos 50, 100, 300 sorteios e histórico completo. Cada janela recebe um peso distinto, valorizando informação recente sem descartar padrões de longo prazo. Complementa a análise com ciclos de aparição e pontuação de co-ocorrência entre pares de números.

Modela transições sequenciais entre números: dado que o número X apareceu no sorteio anterior, qual a probabilidade do número Y aparecer no próximo? A matriz de transição é construída a partir do histórico completo e usada para gerar sequências probabilisticamente coerentes com os padrões observados ao longo do tempo.

Usa gradient boosting (XGBoost e LightGBM) para treinar um classificador que prevê a probabilidade de cada número aparecer no próximo sorteio. As features incluem frequências recentes, gaps, tendências e estatísticas de co-ocorrência. Os dois modelos são combinados por média ponderada para melhor calibração.

Uma rede neural encoder-decoder aprende uma representação comprimida (espaço latente) dos sorteios históricos. Na geração, amostras do espaço latente são decodificadas de volta para combinações de 6 números. O modelo captura correlações não lineares que métodos lineares tradicionais não detectam.

Treina uma floresta de árvores de decisão em modo multi-label: cada árvore vota independentemente em quais números devem aparecer. O ensemble reduz a variância individual de cada árvore. Features como frequência por janela temporal, gap desde a última aparição e paridade são usadas como preditores.

Versão probabilística do autoencoder: o espaço latente é modelado como uma distribuição gaussiana. Isso permite amostrar pontos contínuos e gerar combinações inéditas que interpolam entre padrões aprendidos. O VAE é treinado com perda de reconstrução + divergência KL para regularização do espaço latente.

Arquitetura de atenção multi-head aplicada à sequência de sorteios históricos. O mecanismo de atenção permite que o modelo pondere o quanto cada sorteio passado é relevante para prever o próximo. Especialmente eficaz para capturar dependências de longo alcance na série temporal dos sorteios.

Usa o algoritmo REINFORCE (policy gradient) onde um agente aprende a selecionar números maximizando uma recompensa baseada em frequência histórica e diversidade dos jogos gerados. O agente explora o espaço de combinações de forma estocástica, sem supervisão direta, o que pode revelar combinações fora dos padrões convencionais.

Modela os números como nós de um grafo onde as arestas representam a co-ocorrência histórica. A GNN propaga informação pela vizinhança do grafo (difusão em grafo) para calcular embeddings ricos para cada número. Os embeddings são usados para selecionar as combinações mais coerentes com a estrutura de relacionamentos entre números.