LGBMClassifier ajout des corrélations mid_smooth_24

Zeus_LGBMRegressor.md

@@ -0,0 +1,106 @@
+🌟 Paramètres principaux de LGBMRegressor
+1️⃣ objective='regression'
+
+But : indique le type de problème à résoudre.
+
+Ici, tu veux prédire une valeur continue (par ex. un rendement futur, un prix, etc.).
+
+Autres valeurs possibles :
+
+'binary' → pour classification 0/1
+
+'multiclass' → pour plusieurs classes
+
+'regression_l1' → pour des valeurs continues mais avec perte L1 (moins sensible aux outliers)
+
+📘 En résumé : ici LightGBM cherche à minimiser l’erreur entre la valeur prédite et la valeur réelle.
+
+2️⃣ metric='rmse'
+
+But : indique la métrique utilisée pour évaluer la qualité du modèle.
+
+'rmse' = Root Mean Squared Error (racine de la moyenne des carrés des erreurs)
+→ pénalise fortement les grosses erreurs.
+
+'mae' (Mean Absolute Error) est une alternative plus robuste (moins sensible aux outliers).
+
+Tu peux aussi utiliser plusieurs métriques : metric=['rmse', 'mae'].
+
+3️⃣ n_estimators=300
+
+But : nombre d’arbres de décision à construire.
+
+Chaque arbre apprend à corriger les erreurs du précédent → c’est le boosting.
+
+Plus ce nombre est grand :
+
+Meilleure précision potentielle
+
+Mais risque de surapprentissage et de lenteur
+
+Typiquement, on le combine avec un petit learning_rate (comme ici 0.05).
+
+4️⃣ learning_rate=0.05
+
+But : contrôle l’intensité avec laquelle chaque nouvel arbre corrige les erreurs.
+
+Si learning_rate ↓, il faut plus d’arbres (n_estimators ↑) pour converger.
+
+Typiquement :
+
+0.1 = standard
+
+0.05 = prudent (meilleur généralisation)
+
+0.01 = très lent mais précis
+
+⚖️ Ce paramètre agit comme un “frein” sur l’apprentissage.
+
+5️⃣ max_depth=7
+
+But : profondeur maximale des arbres.
+
+Plus les arbres sont profonds :
+
+→ plus le modèle capture des relations complexes
+
+→ mais risque de surapprentissage
+
+Valeurs typiques :
+
+3 à 8 pour éviter le surapprentissage
+
+-1 = pas de limite
+
+6️⃣ subsample=0.8
+
+But : fraction de l’échantillon d’entraînement utilisée pour chaque arbre.
+
+Exemple :
+
+0.8 = chaque arbre est entraîné sur 80 % des lignes (tirées aléatoirement).
+
+Permet :
+
+de réduire le surapprentissage
+
+d’accélérer l’entraînement
+
+Si tu veux des résultats très stables → monte à 1.0
+Si tu veux plus de diversité entre les arbres → garde entre 0.7 et 0.9.
+
+7️⃣ colsample_bytree=0.8
+
+But : fraction de colonnes (features) utilisées pour chaque arbre.
+
+Comme subsample, mais pour les variables.
+
+Aide à la régularisation : chaque arbre ne voit pas toutes les colonnes → modèle plus robuste.
+
+Typiquement entre 0.6 et 1.0.
+
+8️⃣ random_state=42
+
+But : fixe la graine aléatoire.
+
+Permet d’obtenir de