5 🤖 Modélisation et Machine Learning

5.1 🤖 Supervisé vs Non Supervisé

Tabulaire vs Non-Structuré : Le choc des réalités

Avant de plonger dans les algorithmes, il faut faire un point sur l’état de l’art. On entend beaucoup parler de Deep Learning (Réseaux de Neurones profonds), mais il faut savoir qu’ils excellent surtout sur des données non structurées (images, son, texte) qui possèdent une hiérarchie spatiale.

Dans le monde de l’entreprise, 90% des bases de données sont tabulaires (des colonnes hétérogènes : âge, revenu, statut). Sur ce terrain, les algorithmes classiques basés sur les arbres (Random Forest, XGBoost) dominent encore largement l’industrie face au Deep Learning (Nishida 2026).

Pour naviguer dans cet écosystème algorithmique, il faut d’abord comprendre la séparation philosophique majeure du Machine Learning : l’utilisation (ou non) d’étiquettes.

5.1.1 👨‍🏫 1. L’Apprentissage Supervisé (Avec Étiquettes)

L’apprentissage supervisé est de loin l’approche la plus utilisée en entreprise.

Le Concept : Le modèle apprend à partir d’un jeu de données où la “réponse” (la cible à prédire) est déjà connue et fournie sous forme d’étiquette (Label).
La Métaphore Pédagogique : Imaginez un élève travaillant sous la tutelle d’un professeur. Le professeur donne des exercices dont les solutions sont écrites au dos de la page. L’élève fait l’exercice, compare sa réponse avec la solution, et ajuste sa méthode de calcul (ses “poids synaptiques”) en fonction de son erreur pour faire mieux la prochaine fois (Kushwaha and Kudale 2026).

Cas d’usage métiers :

L’objectif est de formuler des prédictions concrètes sur de nouvelles données.

Prognostic médical : Fournir les symptômes d’un patient à l’IA pour qu’elle prédise la malignité d’une tumeur (Classification).
Analyse de risque financier : Évaluer la probabilité qu’un client fasse défaut sur son crédit immobilier.
Prévision du Churn : Déterminer si un client va résilier son abonnement le mois prochain.

5.1.2 🕵️‍♂️ 2. L’Apprentissage Non Supervisé (Sans Étiquettes)

Ici, il n’y a pas de professeur, pas de corrigé, et pas de cible explicite à prédire.

Le Concept : L’algorithme est lâché dans un jeu de données brut et on lui demande de “trouver du sens” ou de découvrir des structures latentes par lui-même.
La Métaphore Pédagogique : C’est un explorateur (ou un détective) qui arrive dans une nouvelle ville sans carte. Il va regrouper les habitants par similarité (ceux qui s’habillent pareil, ceux qui fréquentent les mêmes lieux) en se basant sur une notion mathématique de “distance” (Karl 2024).

Cas d’usage métiers :

L’objectif est d’explorer et de structurer la donnée.

Segmentation de clientèle (Clustering) : Regrouper des clients aux comportements d’achat similaires pour créer des campagnes marketing ultra-ciblées, révélant des profils insoupçonnés par l’équipe marketing.
Détection d’anomalies : Identifier des transactions bancaires dont la structure diverge radicalement de la “norme” établie par les autres transactions, signalant potentiellement une fraude (Karl 2024).

5.1.3 🧠 Synthèse des deux mondes

Pour résumer la bifurcation fondamentale du Machine Learning, voici une cartographie claire distinguant le mode supervisé (guidé par des étiquettes) du mode non supervisé (guidé par la structure intrinsèque) :

flowchart TD
    A[Machine Learning] --> B(Apprentissage Supervisé)
    A --> C(Apprentissage Non Supervisé)
    
    B --> D[Données Étiquetées\nLe but : Prédire l'avenir]
    C --> E[Données Brutes\nLe but : Trouver des structures]
    
    D --> F(Classification\nEx: Chien ou Chat ?)
    D --> G(Régression\nEx: Quel prix ?)
    
    E --> H(Clustering\nEx: Groupes de clients)
    E --> I(Détection d'Anomalies\nEx: Fraude)
    
    style B fill:#268bd2,stroke:#073642,color:#fdf6e3
    style C fill:#6c71c4,stroke:#073642,color:#fdf6e3

5.2 🏷️ Régression vs Classification

💡 Concept Clé : Apprendre du Passé

Une fois les indices étiquetés, nous voulons que la machine apprenne la fonction mathématique qui relie nos entrées (ex: caractéristiques d’un suspect) à une sortie (ex: probabilité de culpabilité). Selon la nature de ce que l’on prédit, on choisit son arme : la Régression ou la Classification.

5.2.1 ⚖️ Comparaison des Approches

Régression

Prédire une Valeur L’objectif est d’estimer un nombre continu.

Régression Linéaire : Trace la droite la plus proche des points.
Exemple : Prédire le prix d’un appartement ou la température de demain.

Classification

Ranger dans des Boîtes L’objectif est de prédire une catégorie.

KNN : “Dis-moi qui sont tes voisins…”.
SVM : Maximiser la marge entre les classes.
Exemple : Spam ou Non-Spam, Chat ou Chien.

🔬 Expérimentation : La Magie du KNN

Le paramètre K (le nombre de voisins) est le curseur de sensibilité de votre enquêteur. Manipulez K pour voir comment la frontière de décision évolue entre le bruit et la tendance lourde.

viewof k_neighbors = Inputs.range([1, 11], { value: 3, step: 2, label: "Nombre de voisins (K) :" })

// 2. Définition du simulateur (Logique métier)
knnSimulator = ({ k = 3 }) => {
  const points = [
    { x: 15, y: 20, class: "A" }, { x: 25, y: 35, class: "A" }, { x: 10, y: 60, class: "A" },
    { x: 40, y: 25, class: "A" }, { x: 30, y: 15, class: "A" }, { x: 45, y: 40, class: "A" },
    { x: 75, y: 80, class: "B" }, { x: 85, y: 60, class: "B" }, { x: 60, y: 90, class: "B" },
    { x: 90, y: 30, class: "B" }, { x: 70, y: 50, class: "B" }, { x: 55, y: 70, class: "B" }
  ];
  
  const target = { x: 50, y: 50, class: "?" };
  const calcDistance = (p1, p2) => Math.sqrt(Math.pow(p2.x - p1.x, 2) + Math.pow(p2.y - p1.y, 2));
  
  const pointsWithDist = points.map(p => ({
    ...p,
    distance: calcDistance(p, target)
  })).sort((a, b) => a.distance - b.distance);

  const topK = pointsWithDist.slice(0, k);
  let votes = { A: 0, B: 0 };
  topK.forEach(p => votes[p.class]++);
  const winningClass = votes.A > votes.B ? "A" : (votes.B > votes.A ? "B" : "Égalité");

  const mapHtml = pointsWithDist.map((p, index) => {
    const isTopK = index < k;
    const color = p.class === "A" ? theme.colors.info : theme.colors.warning;
    const border = isTopK ? `2px solid var(--sol-base3)` : `2px solid transparent`;
    const shadow = isTopK ? `0 0 10px ${color}` : `none`;
    const opacity = isTopK ? `1` : `0.3`;

    return `
      <div style="position: absolute; left: ${p.x}%; bottom: ${p.y}%; width: 14px; height: 14px; background: ${color}; border-radius: 50%; transform: translate(-50%, 50%); border: ${border}; box-shadow: ${shadow}; opacity: ${opacity}; transition: all 0.3s ease; z-index: 5;">
      </div>
    `;
  }).join('');

  const targetHtml = `
    <div style="position: absolute; left: ${target.x}%; bottom: ${target.y}%; width: 22px; height: 22px; background: var(--sol-base3); border-radius: 50%; transform: translate(-50%, 50%); display: flex; align-items: center; justify-content: center; font-weight: bold; color: var(--sol-base01); font-size: 14px; z-index: 10; box-shadow: 0 0 15px rgba(var(--sol-base01-rgb), 0.2); border: 2px solid var(--sol-base01);">
      ?
    </div>
  `;

  const logs = [
    ui.logLine({ message: `Calcul de la distance de Minkowski...`, type: "info" }),
    ui.logLine({ message: `Isolement des K=${k} voisins les plus proches.`, type: "info" }),
    ui.logLine({ message: `Votes : A (${votes.A}), B (${votes.B}).`, type: "warning" }),
    ui.logLine({ message: `Prédiction finale : Classe ${winningClass}`, type: "success" })
  ];

  return `
    <div style="display: flex; flex-direction: column; gap: 20px; padding: 20px; background: rgba(var(--sol-base03-rgb), 0.03); border-radius: 8px;">
      
      <div class="ui-metrics-row">
        ${ui.metricCard({ title: "K-Voisins", value: k, trend: "neutral" })}
        ${ui.metricCard({ title: "Classe Prédite", value: winningClass, trend: winningClass === "A" ? "positive" : "warning" })}
        ${ui.metricCard({ title: "Confiance", value: `${Math.round(Math.max(votes.A, votes.B) / k * 100)}%`, trend: "positive" })}
      </div>

      <div style="display: flex; gap: 20px; flex-wrap: wrap;">
        <div style="flex: 1; min-width: 250px;">
          ${ui.vectorSpace({ 
            label: "Espace Vectoriel (KNN)", 
            content: `
              ${mapHtml} ${targetHtml}
              <div style="position: absolute; bottom: 10px; right: 10px; background: rgba(var(--sol-base3-rgb), 0.8); padding: 5px 10px; border-radius: 4px; font-size: 0.75em; border: 1px solid var(--sol-base2); z-index: 10; backdrop-filter: blur(2px);">
                <div style="color: var(--sol-blue);">● Classe A</div>
                <div style="color: var(--sol-yellow);">● Classe B</div>
              </div>
            `
          })}
        </div>
        
        <div style="flex: 1; min-width: 250px;">
          ${ui.terminalConsole({ header: "Pipeline d'inférence KNN", logs: logs })}
        </div>
      </div>

    </div>
  `;
};

ui.render(knnSimulator({ k: k_neighbors }))

⚠️ Danger : Le Surapprentissage

Un modèle trop complexe (ex: KNN avec K=1) apprendra les bruits de la scène de crime par cœur au lieu de comprendre la logique générale. C’est ce qu’on appelle l’Overfitting.

🎒 Astuce Pro : Le SVM

Pour les problèmes où les classes sont difficilement séparables, le SVM est votre meilleur allié. Il cherche à tracer l’autoroute la plus large possible entre deux groupes pour éviter toute ambiguïté.

5.3 🎯 Clustering et PCA

L’art de l’exploration à l’aveugle

Contrairement à la régression ou la classification, l’apprentissage non supervisé travaille sur des données non étiquetées. L’objectif n’est pas de prédire une réponse précise, mais d’explorer les données pour y découvrir des motifs cachés ou une structure naturelle (Inconnu 2026). Les deux grandes familles de ces algorithmes sont le Clustering (regroupement) et la Réduction de dimensionnalité.

5.3.1 🎯 Le Clustering

Le but du clustering est de diviser un jeu de données en groupes (clusters) de telle sorte que les points d’un même groupe soient très similaires, et très différents des autres groupes.

Le K-Means (L’algorithme des centres de gravité)

C’est le grand classique. Il partitionne les données en un nombre “K” de groupes en minimisant la distance entre les points et le centre de leur groupe (le Centroïde) (Satish, Bowers, and Bhatt 2026).

Le Fonctionnement : On place K points au hasard. Chaque donnée s’accroche au point le plus proche. Puis, on déplace le point au centre géométrique du groupe formé. On recommence jusqu’à ce que plus rien ne bouge.
Les Limites : Il nécessite de définir K (le nombre de groupes) à l’avance. Surtout, il force la création de clusters de forme sphérique et est très vulnérable aux valeurs aberrantes (Karl 2024).

Le DBSCAN (L’algorithme de la foule)

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) est basé sur la densité spatiale (Karl 2024).

L’Avantage : Pas besoin de lui donner un nombre de groupes à l’avance ! Il regroupe les points fortement concentrés et peut détecter des clusters de formes arbitraires (ex: une forme de lune ou d’anneau).
Détection d’Anomalies : Contrairement au K-Means qui force chaque point à rejoindre un groupe, DBSCAN identifie automatiquement les données isolées comme du “bruit” (valeurs aberrantes) (Karl 2024).

Interactif : La faille du K-Means

Pour bien comprendre la différence entre ces deux algorithmes, observez comment ils réagissent face à des formes complexes (comme deux demi-lunes imbriquées). K-Means va les couper brutalement avec une ligne droite (car il cherche des sphères), tandis que DBSCAN va suivre la courbe de densité.

{"component":"LlmGeneratedComponent","props":{"height":"700px","prompt":"Objectif : Créer un visualiseur interactif pour comparer les algorithmes de clustering K-Means et DBSCAN.\n\nÉtat des données : \n1. Générer deux ensembles de données virtuels commutables via un menu : 'Nuages séparés' (3 groupes sphériques distincts avec un peu de bruit) et 'Demi-lunes' (deux formes courbes entrelacées avec du bruit autour).\n\nStratégie : Standard Layout (Zone de dessin principale avec contrôles sur le côté ou en dessous).\n\nContrôles (Interface en Français) :\n1. Sélecteur de jeu de données : 'Nuages (Sphères)' vs 'Demi-Lunes (Formes complexes)'.\n2. Sélecteur d'algorithme : 'K-Means' vs 'DBSCAN'.\n3. Si K-Means est sélectionné : Afficher un curseur 'Nombre de Clusters (K)' allant de 1 à 5.\n4. Si DBSCAN est sélectionné : Afficher un curseur 'Rayon de Densité (Epsilon)' et 'Points minimum'.\n5. Un bouton d'action 'Lancer le Clustering'.\n\nComportement visuel :\n- L'espace central affiche les points en gris avant le clustering.\n- K-Means : Diviser les points géométriquement. Sur les 'Demi-Lunes', K-Means doit échouer à séparer les deux lunes proprement (il doit les couper en deux moitiés gauche/droite ou haut/bas). Afficher de grosses croix pour marquer les Centroïdes.\n- DBSCAN : Mettre en couleur les formes continues. Sur les 'Demi-Lunes', il doit colorer parfaitement chaque lune d'une couleur distincte. Marquer explicitement les points isolés en noir (Bruit/Anomalies).","id":"im_025d179412b7f98e"}}

5.3.2 🪄 Réduction de Dimension (PCA)

Imaginez que vous ayez une base de données avec 50 colonnes (dimensions) différentes pour décrire une maison. Comment visualiser ces maisons sur un écran en 2D ou 3D ? C’est impossible sans perdre de l’information.

La PCA (Analyse en Composantes Principales) est une méthode de réduction de dimensionnalité.

Le Concept : Au lieu de simplement supprimer 48 colonnes, la PCA fusionne mathématiquement les 50 colonnes en créant de nouvelles “composantes” artificielles. Ces composantes sont calculées pour maximiser la variance (l’étalement et la richesse) des données originales (Inconnu 2026).
L’Objectif Métier : Elle est idéale pour faciliter la visualisation de données de très grande dimension (projeter 50 dimensions sur un plan 2D) ou pour réduire le bruit (supprimer la corrélation entre les variables) avant d’appliquer d’autres algorithmes comme le K-Means.

[ACTION REQUISE] : Ajouter capture d’écran d’un graphique 2D montrant des points séparés après une réduction PCA depuis un dataset à N dimensions.

L’enquête prend une tournure critique. La découverte du vol des sujets d’examen fait monter la pression : le directeur pédagogique vient de vous appeler en urgence sur la ligne sécurisée. Les sujets volés sont ceux de la prochaine session d’IA des Master 1 ! Il faut absolument identifier à qui Charlie compte les vendre avant que la transaction n’ait lieu.

Puisque nous cherchons à découvrir des groupes cachés d’acheteurs dans une liste de suspects sans savoir à l’avance qui ils sont, c’est le moment idéal pour introduire l’Apprentissage Non Supervisé.

5.4 🕵️‍♂️ Mission 5

Le directeur pédagogique est formel : si ces sujets fuitent, toute l’évaluation des Master 1 devra être annulée. Heureusement, vous avez mis la main sur le carnet d’adresses de Charlie sur le Dark Web.

Exécutez la cellule ci-dessous pour charger la base des prospects :

import pandas as pd
from sklearn.cluster import KMeans

# Données récupérées sur le serveur de Charlie
donnees_darkweb = {
    'pseudo': ['Shadow99', 'NoobMaster', 'IA_Slayer', 'StressMax', 'RichKid', 'GhostHacker', 'BeauGosseDu69'],
    'budget_crypto': [50, 20, 2500, 100, 3000, 40, 2800],
    'niveau_stress': [2, 1, 9, 8, 10, 3, 9]
}
df_prospects = pd.DataFrame(donnees_darkweb)

print("Carnet d'adresses Dark Web décrypté.")
display(df_prospects)

Votre objectif : Demander à un algorithme de Clustering (K-Means) de regrouper ces individus en 3 catégories distinctes, afin d’isoler automatiquement le cluster des “Acheteurs VIP” (haut budget, haut stress).

5.5 🗳️ Méthodes d’Ensemble

L’intelligence collective

Pourquoi se contenter d’un seul avis quand on peut consulter un jury d’experts ? C’est la philosophie des méthodes d’ensemble : combiner plusieurs “apprenants faibles” (souvent des arbres de décision simples) pour créer un modèle “fort” et résilient (Kushwaha and Kudale 2026). Pour les données de type Excel ou SQL, ces méthodes sont aujourd’hui les championnes incontestées de la précision.

Il existe deux grandes philosophies pour faire travailler les modèles en groupe : le Bagging et le Boosting.

5.5.1 🗳️ Bagging (Random Forest)

Le Bagging (Bootstrap Aggregation) consiste à entraîner de nombreux modèles de manière indépendante et en parallèle sur des sous-ensembles aléatoires de vos données.

La Métaphore : C’est un jury d’assises. Chaque juré étudie une partie du dossier de son côté. À la fin, on fait un vote majoritaire. Comme les erreurs de chaque juré sont aléatoires, elles tendent à s’annuler une fois agrégées (Kushwaha and Kudale 2026).
Le champion : La Forêt Aléatoire (Random Forest). Elle crée des centaines d’arbres de décision. Pour s’assurer qu’ils ne soient pas tous identiques, elle ajoute du hasard : chaque arbre ne voit qu’une partie des colonnes et une partie des lignes.
Force : Très robuste contre le sur-ajustement (Overfitting).

5.5.2 🚀 Boosting (XGBoost)

Le Boosting fonctionne de manière séquentielle. Les modèles ne sont pas indépendants : ils apprennent les uns des autres.

La Métaphore : C’est un coureur de fond qui s’entraîne avec un coach. Le premier jour, il court et fait des erreurs. Le deuxième jour, il s’entraîne uniquement sur les points où il a échoué la veille. Chaque nouvel arbre est construit spécifiquement pour corriger les erreurs (les résidus) des précédents (Dalvs 2026).
Les champions : * XGBoost : Le standard industriel, ultra-optimisé et régularisé.
LightGBM : Développé par Microsoft, il est beaucoup plus rapide sur les très gros jeux de données car il fait croître les arbres par les feuilles plutôt que par niveaux (Nishida 2026).
CatBoost : Le spécialiste des variables textuelles (catégorielles), capable de les gérer sans préparation manuelle complexe (Kushwaha and Kudale 2026).

Interactif : Bagging vs Boosting

Comprenez visuellement la différence de stratégie. Dans le Bagging, les modèles s’additionnent simplement. Dans le Boosting, chaque nouveau modèle vient combler les “trous” laissés par ses prédécesseurs.

🕹️ Simulateur Bagging vs Boosting

Manipulez les contrôles ci-dessous pour observer comment la Forêt Aléatoire (Bagging) et l’algorithme XGBoost (Boosting) construisent leurs prédictions différemment.

viewof mode_ensemble = Inputs.radio(
  new Map([["Forêt Aléatoire (Bagging)", "bagging"], ["Gradient Boosting (XGBoost)", "boosting"]]), 
  { value: "bagging", label: "Algorithme :" }
)

viewof n_arbres = Inputs.range([1, 10], { value: 3, step: 1, label: "Nombre d'arbres (N) :" })

// 2. Le rendu de l'organisme dynamique
ui.render(
  ui.ensembleSimulator({ 
    mode: mode_ensemble, 
    numTrees: n_arbres 
  })
)

5.5.3 🥊 Quel camp choisir ?

Caractéristique	Bagging (Random Forest)	Boosting (XGBoost/LightGBM)
Ordre	Parallèle (Indépendant)	Séquentiel (Correctif)
Objectif principal	Réduire la Variance (Overfitting)	Réduire le Biais (Précision)
Vitesse	Très rapide (Multi-thread)	Plus lent (Séquentiel par nature)
Complexité	Facile à régler	Nécessite un réglage fin (Hyperparamètres)

5.5.4 💻 Implémentation Scikit-Learn

from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier

# Initialisation du jury (Random Forest)
model_bagging = RandomForestClassifier(n_estimators=100, max_depth=5)

# Initialisation du coach (XGBoost)
model_boosting = XGBClassifier(n_estimators=100, learning_rate=0.1)

# L'entraînement est identique pour les deux
model_bagging.fit(X_train, y_train)
model_boosting.fit(X_train, y_train)

5.6 🧠 Concepts Clés

La quête de la généralisation

Le but ultime du Machine Learning n’est pas d’obtenir 100 % de précision sur vos données actuelles, mais de performer sur des données que le modèle n’a jamais rencontrées. Pour atteindre cet objectif, l’ingénieur doit naviguer entre deux écueils : le sous-ajustement et le sur-ajustement (Jiang 2026).

5.6.1 🎯 Compromis Biais-Variance

C’est l’équilibre délicat au cœur de toute modélisation. Imaginez une cible de tir à l’arc.

Le Biais (L’Erreur de Logique) : C’est l’erreur issue d’un modèle trop simpliste qui ne comprend pas la complexité des données. L’élève applique toujours la même formule, même quand elle ne convient pas. Un biais élevé mène au Sous-ajustement.
La Variance (La Sensibilité au Bruit) : C’est l’erreur issue d’un modèle trop complexe qui réagit à la moindre petite fluctuation des données d’entraînement. L’élève apprend par cœur les exercices mais panique dès qu’un mot change dans l’énoncé. Une variance élevée mène au Sur-ajustement (Ohiri 2026).

5.6.2 ⚠️ Sous vs Sur-ajustement

L’Underfitting (Sous-ajustement) : Le modèle est trop simple ou “paresseux”.
- La Métaphore : C’est comme essayer d’apprendre à faire du vélo uniquement sur un vélo d’appartement. Une fois sur le terrain, vos aptitudes seront insuffisantes car vous n’avez pas saisi la complexité de l’équilibre réel.
- Signe : Erreur élevée à l’entraînement ET au test.
- Solution : Augmenter la complexité du modèle ou la durée de l’entraînement.
L’Overfitting (Sur-ajustement) : Le modèle est “trop intelligent” : il mémorise tout, y compris les erreurs et le bruit du passé.
- La Métaphore : C’est l’élève qui mémorise toutes les réponses d’un examen blanc par cœur. S’il tombe sur le même examen, il a 20/20. Si l’examen change ne serait-ce qu’une question, il échoue car il n’a pas compris la logique, il a juste mémorisé les données.
- Signe : Excellente performance à l’entraînement, mais catastrophe au test.
- Solution : Simplifier le modèle, utiliser plus de données, ou appliquer de la Régularisation.

5.6.3 🌋 3. La Théorie du “Hot Mess” (L’Incohérence des Erreurs)

Des recherches de pointe en 2026 introduisent un concept fascinant : l’incohérence des erreurs. On a découvert que plus les modèles deviennent massifs et “intelligents”, plus leurs échecs deviennent imprévisibles. Au lieu de faire des erreurs systématiques (Biais), ils se comportent comme un “Hot Mess” (un désordre total) où la Variance domine tout (Hägele and al. 2026). Cela signifie que les futurs risques de l’IA ne seront pas forcément une “mauvaise direction” constante, mais des accidents erratiques et imprévisibles.

5.6.4 🛠️ Guide de survie du Data Scientist

Problème	Symptôme	Remède principal
Underfitting	Score faible partout	Utiliser un modèle plus puissant (ex: passer de Linéaire à XGBoost).
Overfitting	Score parfait (train) / Mauvais (test)	Réduire le nombre de variables ou utiliser des méthodes d’ensemble (Random Forest).
Hot Mess	Erreurs erratiques et imprévisibles	Augmenter la diversité des données et stabiliser l’apprentissage.

5.7 🌉 Conclusion et Transition

Nous avons exploré les principaux algorithmes de Machine Learning. Cependant, construire un modèle ne suffit pas ; il faut être capable de mesurer sa performance de manière rigoureuse pour s’assurer de sa fiabilité.

C’est l’objet du Chapitre 6 : Évaluation des Modèles.

Dalvs, Moin. 2026. “Gradient Boosting Algorithms from Scratch: 4 Boosting Algorithms You Should Know – GBM, XGBoost, LightGBM & CatBoost.” GitHub. https://github.com/MoinDalvs/Gradient_Boosting_Algorithms_From_Scratch.

Hägele, Alexander, and et al. 2026. “The Hot Mess of AI: How Does Misalignment Scale with Model Intelligence and Task Complexity?” In International Conference on Learning Representations (ICLR).

Inconnu. 2026. “5.ml.md (Modélisation Et Machine Learning).”

Jiang, et al. 2026. “OmniTabBench: A Tabular Benchmark at Unprecedented Scale.” arXiv Preprint.

Karl, Taylor. 2024. “DBSCAN Vs. K-Means: A Guide in Python.” New Horizons. https://www.newhorizons.com/resources/blog/dbscan-vs-kmeans-a-guide-in-python.

Kushwaha, Amit, and Ganesh Kudale. 2026. “A Comparative Study of Machine Learning Algorithms for Tabular Data Classification.” International Journal of Engineering Research & Technology (IJERT) 14 (02). https://www.ijert.org/a-comparative-study-of-machine-learning-algorithms-for-tabular-data-classification-ijertconv14is020007.

Nishida, Kan. 2026. “Why Deep Learning Didn’t Replace Tree Models for Tabular Data.” Exploratory. https://blog.exploratory.io/why-deep-learning-didnt-replace-tree-models-for-tabular-data-d80b796d652f.

Ohiri, Emmanuel. 2026. “Overfitting and Underfitting in Machine Learning: Causes, Indicators, and How to Fix Them.” CUDO Compute. https://www.cudocompute.com/blog/overfitting-and-underfitting-in-machine-learning.

Satish, Swathi Bangalore, Fatima Bowers, and Prapti Bhatt. 2026. “K-MEANS VS DBSCAN CLUSTERING ALGORITHMS.” UTK-EECS. https://web.eecs.utk.edu/~kneupan1/cs581-spring26/presentations/CS581-KMeans-vs-DBSCAN.pdf.