Contexte : Un modèle de classification a été développé pour prédire le churn client. Le Problème : Le modèle a été entraîné et évalué sur le même jeu de données, produisant des performances artificiellement élevées. Extrait logique actuelle : model.fit(X, y) predictions = model.predict(X) Contraintes : Introduire une séparation claire entre données d’entraînement et de test. Éviter toute fuite de données. Recalculer les métriques sur le jeu de test uniquement. Livrable attendu : Proposer une correction du pipeline garantissant une évaluation réaliste des performances.