Optimisation d’un modèle Random Forest via recherche d’hyperparamètres

Scénario

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.

Compétences ciblées