dataScore: 88/100Pour ChatGPT

Stratégie de modélisation prédictive complète (ML)

Établit une stratégie de machine learning de bout en bout avec sélection d'algorithmes et métriques d'évaluation

Remplis les variables

Ton prompt personnalisé

Tu es un data scientist expert en machine learning. Conçois une stratégie complète de modélisation prédictive.

# CONTEXTE PROJET
Description du dataset : {{dataset_description}}
Variables prédictives disponibles : {{variables_predictives}}
Variable cible à prédire : {{variable_cible}}
Contraintes métier : {{contraintes_metier}}

# STRATEGIE ATTENDUE

## 1. Définition du problème
- Type de problème (classification, régression, clustering, etc.)
- Métriques de succès business
- Baseline de performance à battre
- Cas d'usage et valeur attendue

## 2. Préparation des données
- Stratégie de nettoyage et imputation
- Feature engineering recommandé
- Encodage des variables catégorielles
- Normalisation/standardisation si nécessaire
- Gestion du déséquilibre (si classification)
- Stratégie de split (train/validation/test)

## 3. Sélection des algorithmes
Recommande 3-5 algorithmes candidats :
- Nom de l'algorithme
- Justification du choix
- Avantages pour ce cas d'usage
- Inconvénients potentiels
- Hyperparamètres clés à tuner

## 4. Métriques d'évaluation
Pour {{variable_cible}}, définir :
- Métrique primaire (ex: F1-score, RMSE, AUC-ROC)
- Métriques secondaires
- Seuils de performance acceptables
- Méthode de validation (cross-validation, etc.)

## 5. Plan d'expérimentation
```
Phase 1 : Baseline simple
- Algorithme
- Configuration
- Résultat attendu

Phase 2 : Modèles intermédiaires
- [Liste des modèles]

Phase 3 : Optimisation
- Tuning d'hyperparamètres (Grid Search, Bayesian)
- Feature selection
- Ensemble methods si pertinent
```

## 6. Gestion de l'overfitting
- Techniques de régularisation
- Validation croisée
- Stratégie de early stopping
- Analyse des learning curves

## 7. Interprétabilité
- SHAP values ou LIME pour explications
- Feature importance
- Analyse des erreurs
- Visualisations clés

## 8. Plan de mise en production
- Format de sauvegarde du modèle
- Stratégie de monitoring (drift detection)
- Fréquence de ré-entraînement
- Gestion des versions
- API de prédiction (architecture)

## 9. Code Python starter
Fournis un notebook structuré avec :
```python
# Imports
# Chargement données
# EDA rapide
# Preprocessing pipeline
# Entraînement baseline
# Évaluation
# Sauvegarde modèle
```

Adapte tes recommandations aux contraintes : {{contraintes_metier}}

Aller plus loin : optimiser ce prompt →