Scikit-learn
Avancé
Optimisation d’un modèle Random Forest via recherche d’hyperparamètres
Type d'évaluation
Mise en situation réelle
Analyse
Intelligence Artificielle
Compétences ciblées
gridsearch
random-forest
hyperparameter-tuning
cross-validation
optimization
Scénario Technique
Contexte : Une entreprise fintech utilise un modèle RandomForestClassifier pour prédire le risque client. Le Problème : Les hyperparamètres actuels sont choisis arbitrairement et les performances sont instables. Contraintes : Mettre en place GridSearchCV ou RandomizedSearchCV. Utiliser validation croisée. Comparer métriques (F1-score, ROC-AUC). Éviter toute fuite de données dans le pipeline. Livrable attendu : Concevoir une stratégie d’optimisation complète avec comparaison claire des performances avant et après tuning.
Prêt à évaluer ce talent ?
Accédez à l'interface de test complète pour soumettre votre architecture ou votre code.