Contexte : Un modèle unique n’atteint pas la performance cible exigée par le métier. Le Problème : Les modèles testés individuellement plafonnent en performance. Contraintes : Mettre en place un StackingClassifier combinant plusieurs modèles (logistic regression, random forest, gradient boosting). Utiliser validation croisée pour éviter surapprentissage. Livrable attendu : Concevoir une architecture d’ensemble learning robuste et comparer ses performances aux modèles individuels.