Définir l'unité avant la graine
Ce parcours fournit des fichiers d'entraînement, validation et test révisés pour une expérience de classification, non un modèle ou une certification d'absence de biais. Définir l'observation et les informations disponibles au moment de prédire. Des patients, utilisateurs, foyers ou documents apparentés ne deviennent pas indépendants en occupant des lignes différentes. S'il faut isoler des groupes ou respecter le temps, choisir une méthode externe : cet outil n'offre pas ces contrôles.
Confirmer les permissions et conserver une correspondance contrôlée avec les sources. Examiner cibles vides, variations d'écriture et effectifs ; une cible absente ne doit pas devenir discrètement une classe. Valider le CSV avant la partition : le lecteur peut compléter les lignes courtes et tronquer les cellules dépassant les en-têtes. Résoudre les noms ambigus et lignes endommagées plutôt que croire qu'un export réussi préserve tout.
Pour compter les classes, fournir au groupeur une table simple de labels seuls, vérifiée séparément, sans texte multiligne ni délimiteurs protégés par des guillemets. Son lecteur est rudimentaire ; si les labels exigent des règles CSV complexes, employer un lecteur externe adapté et rapprocher les totaux. Ne pas renommer ou fusionner les classes pour adapter la saisie.
Traiter les doublons sans perdre leur origine
Choisir variables et cible, en gardant une clé de suivi hors des variables prédictives ou un registre externe autorisé. Pour examiner les doublons, comparer le contenu utile dans une copie où les ID uniques ne masquent pas l'égalité, tout en conservant les liens vers chaque source. Le dédoublonnage supprime des lignes : ne pas l'appliquer au seul original ni accepter automatiquement les rapprochements approximatifs.
Des mesures répétées peuvent être légitimes et rendre cette partition par ligne inadaptée. Des cibles contradictoires pour un contenu identique demandent un arbitrage, pas une suppression aléatoire. Documenter les copies accidentelles retirées et les clés conservées. Ne pas ajuster imputation, normalisation, sélection de variables ou rééquilibrage sur tout le jeu : les transformations apprises doivent être ajustées sur l'entraînement.
Figer la véritable répartition
Consigner l'empreinte de l'entrée exacte, l'ordre, les champs, la cible, la version, le mode, les proportions, la graine et les options de mélange et stratification. La graine seule ne reproduit ni un autre fichier ni une autre bibliothèque ; elle ne garantit pas les mêmes membres que scikit-learn. En mode standard, le test reçoit le reste après entraînement et validation. Contrôler les effectifs entiers réels plutôt que les seuls pourcentages demandés.
Avec 100 observations indépendantes et des classes de 80 et 20, un plan 70/15/15 peut répartir la petite classe en 14/3/3. Deux exemples ne couvrent pas trois sous-ensembles. Ne pas fusionner des étiquettes distinctes ou supprimer la stratification pour faire taire les alertes. En k-fold, les entraînements se recouvrent entre plis par construction, mais chaque paire doit isoler ses membres de validation. Aucun test final indépendant n'est créé.
Rapprocher les membres et protéger l'évaluation
Inspecter le ZIP : le mode standard fournit train.csv, validation.csv, test.csv et split_report.json. Recompter les classes et rapprocher les clés avec l'entrée approuvée ; chaque original admissible doit figurer une seule fois entre les trois partitions. Le contrôle intégré compare des lignes complètes : ID distincts et petites modifications peuvent masquer des caractéristiques équivalentes. Vérifier aussi entités, quasi-copies et informations futures. Le JSON ne constitue pas un registre complet des membres ou fuites : garder les alertes affichées et les contrôles externes.
Réserver l'outil de déséquilibre à une copie d'entraînement et, en validation croisée, à chaque entraînement interne. SMOTE est ici un aperçu numérique, sans ajout aux CSV exportés. Un code entier ou identifiant n'est pas continu simplement parce qu'il est numérique. Garder l'évaluation intacte et traiter tout rééchantillonnage approuvé comme expérience séparée. Valider et hacher les fichiers finaux, garder copies locales, approbation et risques ouverts, et exclure les clés du modèle. Toute modification de source, ordre ou option exige une nouvelle revue ; nettoyage général et analyse statistique relèvent des parcours associés.