id,chapitre,description,script,test,resultat_attendu,resultat_obtenu,statut,date
CALC-37-01,37,"Plis aléatoires identiques à ceux de ch18_hedonique.validation_croisee (graine 20261031) ; hédonique en validation croisée : RMSE log, RMSE $, MdAPE, COD, PRD, PRB",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_plis_identiques_au_chapitre_18;test_reproductibilite_et_reference,"0,0839 ; 40 889 $ ; 5,68 % ; 6,83 ; 1,007 ; −0,059","0,0839 ; 40 889 $ ; 5,68 % ; 6,83 ; 1,007 ; −0,059",verifie,2026-10-31
CALC-37-02,37,"Validation croisée aléatoire des modèles d'arbres : arbre (prof. 3), forêt (500), gradient boosting (prof. 2, ν 0,03, 1200), XGBoost — RMSE log / COD / MdAPE / PRB",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_comparaison_aleatoire,"arbre 0,1468/11,63 ; forêt 0,1067/8,64/7,52/−0,196 ; GBM 0,0931/7,42/6,22/−0,088 ; XGB 0,0921/7,33/6,09/−0,081",idem,verifie,2026-10-31
CALC-37-03,37,"Blocs spatiaux stratifiés par secteur (k-moyennes k=2 par secteur, 10 blocs) : RMSE log / COD par modèle",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_validation_spatiale_et_temporelle,"hédo 0,0857/7,00 ; arbre 0,1537/12,12 ; forêt 0,1120/8,96 ; GBM 0,0967/7,62 ; XGB 0,0948/7,53",idem,verifie,2026-10-31
CALC-37-04,37,"Validation prospective (499 ventes 2023-2025 → 101 ventes 2026) : RMSE log, biais log, ratio médian, COD ; boosting détendancé ; boosting feuilles ≥ 1",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_validation_spatiale_et_temporelle,"hédo 0,0855/−1,0 %/0,988/6,96 ; GBM 0,0950/−3,4 %/0,966/7,41 ; forêt 0,1283/−6,0 %/0,934/9,47 ; arbre 0,1737/−8,5 %/0,931/12,35 ; détendancé −1,8 %/0,0928/7,44 ; feuilles≥1 −13,4 %/0,1631 ; β_mois 0,00342 ; 14 ventes > mois 17",idem,verifie,2026-10-31
CALC-37-05,37,"Un secteur exclu à la fois : COD global et biais par secteur (hédonique avec secteur exclu prédit au niveau de référence ; arbres)",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_un_secteur_exclu,"hédo COD 10,44, biais Buck +23,4 %, M-A +26,1 % ; GBM 8,59 (Buck −0,6 %, M-A +7,2 %, Gat −6,8 %, Ayl −7,1 %) ; forêt 10,21 ; arbre 15,65 ; XGB 8,87",idem,verifie,2026-10-31
CALC-37-06,37,"Scénario non linéaire ln P† = ln P + 0,12·1[q≥4, âge≥40] − 0,10·1[25≤âge≤45] (76 et 235 ventes) : COD hédo / forêt / GBM / XGB / hédo respécifié ; coefficients respécifiés",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_scenario_non_lineaire,"8,15 / 9,17 / 7,46 / 7,40 / 6,85 ; prime 0,129 (0,012), mur −0,092 (0,008), σ 0,083, R² 0,864",idem,verifie,2026-10-31
CALC-37-07,37,"TreeSHAP du boosting : base 13,0732 (476 010 $), efficacité (Σφ + base = prédiction), importances moyennes |φ|, φ du sujet, interactions (base et scénario)",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_shap,"erreur d'efficacité < 1e-9 ; superficie 0,111, âge 0,043, mois 0,040, lon 0,032, qualité 0,031 ; secteurs ≤ 0,0016 ; sujet : mois 0,0986, superficie 0,0871, âge 0,0322, terrain −0,0127 ; interaction âge×qualité 0,0068 (scénario) vs max 0,0031 (base)",idem,verifie,2026-10-31
CALC-37-08,37,"Importance par permutation hors échantillon (10 plis × 10 permutations) du boosting et de la forêt",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_shap,"GBM : EQM base 0,00867 ; superficie 0,0348, âge 0,0061, mois 0,0046, lon 0,0042, qualité 0,0042 ; forêt : base 0,0114, superficie 0,0300",idem,verifie,2026-10-31
CALC-37-09,37,"Prédiction du sujet par chaque modèle (600 ventes) avec facteur de Duan hors échantillon ; cascade SHAP du sujet",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_sujet_et_pdp,"hédo 637 953 (cas1) / 638 011 ; XGB 613 976 ; GBM 605 825 (brut 604 595, facteur 1,0020) ; forêt 586 818 ; arbre 549 573 ; cumul cascade 525 340 → 604 595",idem,verifie,2026-10-31
CALC-37-10,37,"Dépendance partielle (superficie, âge) : concordance boosting/hédonique avec la loi de génération (corr. > 0,99, écart max < 0,04) ; scénario : creux 25-45 ans reproduit par le boosting",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_sujet_et_pdp,"vérifié par assertions",idem,verifie,2026-10-31
CALC-37-11,37,"Courbes d'apprentissage (staged_predict, 10 plis) : optimum et RMSE min par profondeur ; sensibilité aux hyperparamètres (13 réglages)",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_courbes_et_sensibilite,"prof. 1 : 1198 it., 0,0887 ; prof. 2 : 730, 0,0923 ; prof. 4 : 367, 0,0966 (entraînement 0,0116) ; grille : souches 0,0887 meilleur ; ν 0,10 0,0988 ; forêt 100 arbres 0,1065",idem,verifie,2026-10-31
CALC-37-12,37,"Exercices 37.1-37.7 : division d'arbre (seuil 113,5, gain 0,338), variance de forêt (limite 0,00432, B=233), boosting pas à pas (F3 12,8542, m 43,7), Shapley (70,83/35,83/23,33), métriques AVM (RMSE log 0,0503, MdAPE 4,51, COD 4,42, PRD 1,006, PRB −0,034)",analysis/python/cases/ch37_ml.py,analysis/python/tests/test_ch37.py::test_solutions_exercices,"voir solutions/ch37.tex",idem,verifie,2026-10-31