Contexte : Une entreprise fintech développe un modèle critique de scoring client soumis à audit externe. Le Problème : Les performances actuelles sont obtenues via une simple validation croisée, risquant un biais d’optimisation lors du tuning. Contraintes : Mettre en place une nested cross-validation combinant recherche d’hyperparamètres interne et évaluation externe. Éviter toute fuite de données. Comparer variance des scores. Livrable attendu : Concevoir un pipeline Scikit-learn robuste garantissant estimation fiable et non biaisée des performances.