Contexte : Un modèle Random Forest affiche d’excellentes performances sur le train mais faibles sur le test. Le Problème : Les hyperparamètres ne sont pas contrôlés, entraînant un surapprentissage. Extrait logique actuelle : RandomForestClassifier(n_estimators=500, max_depth=None) Contraintes : Ajuster hyperparamètres via grid search ou random search. Comparer performance train/test. Réduire variance sans sous-apprentissage. Livrable attendu : Proposer une stratégie de tuning permettant d’améliorer la généralisation du modèle.