Lorsque les résultats déçoivent, la tentation est de changer d'algorithme. Pourtant, un modèle ne peut apprendre que le signal contenu dans ses entrées. Nettoyer, sélectionner et construire les bonnes variables améliore souvent à la fois la précision, la vitesse et la capacité d'expliquer le système.
Transformer sans déformer
Valeurs manquantes, doublons, échelles incompatibles, catégories rares et dates mal interprétées peuvent créer un signal artificiel. Chaque transformation doit répondre à une hypothèse compréhensible. Normaliser une mesure peut faciliter l'apprentissage, mais supprimer une valeur extrême peut aussi effacer un événement important.
La préparation doit être calculée à partir des données d'entraînement puis appliquée sans variation aux données futures. Sinon, des informations du test peuvent contaminer l'apprentissage. Un pipeline reproductible protège contre cette fuite et permet de relier une prédiction aux valeurs réellement utilisées.
Choisir des variables qui existent au bon moment
Une variable très prédictive peut être inutilisable si elle n'est connue qu'après la décision. C'est le cas fréquent d'un statut final, d'une validation humaine ou d'un champ rempli en clôture de dossier. La sélection doit donc intégrer la chronologie du produit, pas seulement la corrélation statistique.
Le contexte métier aide aussi à repérer les variables de substitution. Un code postal, un appareil ou une fréquence de connexion peut indirectement représenter une population sensible. Avant d'utiliser une variable, l'équipe doit pouvoir expliquer sa signification, son origine, sa stabilité et les risques qu'elle introduit.
Évaluer la contribution réelle
Une base simple avec peu de variables donne un point de comparaison. On ajoute ensuite les groupes de variables un par un et l'on mesure le gain sur des données séparées. Cette approche évite de conserver des signaux coûteux qui n'améliorent que marginalement le résultat.
L'importance calculée par un modèle aide à enquêter, mais ne prouve ni causalité ni équité. Elle doit être complétée par des tests de suppression, des analyses par segment et des scénarios extrêmes. Une variable utile aujourd'hui peut perdre sa valeur si le comportement des utilisateurs ou le mode de collecte évolue.
Audit des variables
- Documenter origine, sens, fréquence et propriétaire de chaque variable
- Vérifier qu'elle existe au moment exact de la décision
- Appliquer les mêmes transformations en entraînement et en production
- Comparer chaque ajout à une base simple
- Tester segments, valeurs manquantes et situations extrêmes
La préparation des données n'est pas un travail secondaire. Elle encode la compréhension du problème dans un format que le modèle peut exploiter. Cette discipline produit souvent un système plus simple, moins coûteux et plus robuste.