Évaluation approfondie et optimisation des hyperparamètres du modèle de prédiction

[Herman911-dev]

Détails Techniques :

• Métriques de performance : Analyse des erreurs via MAE, RMSE et R² pour quantifier la précision des estimations basées sur la distribution nettoyée.
• Benchmark algorithmique : Étude comparative entre plusieurs modèles (Régression Linéaire, Random Forest) pour sélectionner l'architecture offrant la meilleure généralisation.
• Validation croisée : Implémentation d'une K-Fold Cross-Validation pour garantir la robustesse du modèle face aux spécificités du marché d'Île-de-France.
• Estimation : 8 heures.