Le vocabulaire et le workflow

La grammaire en six mots

• Features (X) : les colonnes d'entrée — ce que le modèle observe ;
• Label (y) : la colonne à prédire — churn oui/non, prix, catégorie ;
• Entraînement : ajuster les paramètres pour prédire y depuis X ;
• Supervisé : on a des labels historiques (classification si y est une catégorie, régression si c'est un nombre) ;
• Non-supervisé : pas de labels — on cherche des structures (clusters, anomalies) ;
• Inférence : appliquer le modèle entraîné à de nouvelles données.

Le workflow immuable

données → split train/test → entraîner sur TRAIN → évaluer sur TEST → itérer → déployer

Pourquoi le split ? Le modèle sera utilisé sur des données qu'il n'a jamais vues. L'évaluer sur ses données d'entraînement, c'est noter un étudiant sur les exercices dont il a appris le corrigé par cœur : le score ne prédit rien de la prod. Le test set est sacré : on n'y touche qu'à la toute fin, une fois.

Les deux façons de se planter

1. Overfitting (variance) : modèle trop flexible → par cœur sur train, nul sur test. Signature : score(train) >> score(test) ;
2. Underfitting (biais) : modèle trop simple → mauvais partout. Signature : score(train) déjà mauvais.

Le réflexe diagnostique : toujours regarder les deux scores. L'écart te dit quoi faire (plus de données/régularisation vs modèle plus riche).

Le leakage, encore lui

Au-delà de la fuite temporelle (module 4), le leakage prend des formes sournoises :

• normaliser les données avant le split (les stats du test fuient dans le train) — toujours fit le préprocesseur sur train seul ;
• une feature qui contient la réponse (« montant_remboursé » pour prédire la fraude…) ;
• des doublons présents des deux côtés du split.

Règle d'or : un score trop beau pour être vrai est trop beau pour être vrai. Cherche la fuite avant de fêter.