Contexte : Une équipe data a développé un modèle de classification pour prédire le churn client. Le Problème : Les performances varient fortement selon le découpage train/test utilisé, rendant les résultats instables. Contraintes : Mettre en place une validation croisée (k-fold). Comparer plusieurs algorithmes simples (logistic regression, random forest). Sélectionner le meilleur modèle sur une métrique pertinente. Éviter toute fuite de données. Livrable attendu : Concevoir un pipeline d’évaluation robuste utilisant validation croisée et comparaison structurée des performances.