Scikit-learn
Fondamental
Correction d’un modèle sans fixation de seed pour reproductibilité
Type d'évaluation
Mise en situation réelle
Analyse
Intelligence Artificielle
Compétences ciblées
reproducibility
random-state
bugfix
pipeline
evaluation
Scénario Technique
Contexte : Les résultats du modèle changent à chaque exécution. Le Problème : Aucun random_state n’est fixé dans les fonctions de split ou modèles aléatoires. Extrait logique actuelle : train_test_split(X, y) RandomForestClassifier() Contraintes : Fixer random_state pour split et modèle. Comparer stabilité des résultats. Livrable attendu : Proposer une version reproductible du pipeline Scikit-learn garantissant cohérence des performances.
Prêt à évaluer ce talent ?
Accédez à l'interface de test complète pour soumettre votre architecture ou votre code.