TP2 Partie 3 : Ridge (alpha) + synthese (livrable)

.dvc/.gitignore

@@ -0,0 +1,2 @@
+/tmp
+/cache

.dvc/config

@@ -0,0 +1,8 @@
+[core]
+    analytics = false
+    remote = garage
+['remote "garage"']
+    url = s3://dvc-store
+    endpointurl = https://garage.192-168-122-143.nip.io
+    region = garage
+    ssl_verify = /etc/ssl/certs/ca-certificates.crt

.dvcignore

@@ -0,0 +1,3 @@
+# Add patterns of files dvc should ignore, which could improve
+# the performance. Learn more at
+# https://dvc.org/doc/user-guide/dvcignore

.env.example

@@ -0,0 +1,15 @@
+# Copier en .env (gitignore) et renseigner les secrets.
+# A sourcer avant de lancer les scripts : set -a; source .env; set +a
+
+# --- MLflow (serveur de la VM, basic auth) ---
+MLFLOW_TRACKING_URI=https://mlflow.192-168-122-143.nip.io
+MLFLOW_TRACKING_USERNAME=admin
+MLFLOW_TRACKING_PASSWORD=change-me
+MLFLOW_EXPERIMENT_NAME=tp02_electricity_consumption
+
+# --- CA interne ENI MLOps (les clients Python n'utilisent pas le store systeme par defaut) ---
+REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
+AWS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
+
+# --- Import du package lab ---
+PYTHONPATH=/home/user/tp

.gitignore

@@ -1,7 +1,17 @@
-# Donnees du fil rouge (volumineuses, gerees hors git / DVC plus tard)
-data/
-*.parquet
-*.csv
+# Donnees : gerees par DVC. Seuls les pointeurs .dvc et le .gitignore
+# genere par DVC sont versionnes ; les .parquet reels vont sur le remote S3 (Garage).
+/data/*
+!/data/*.dvc
+!/data/.gitignore
+
+# Secrets / environnement
+.env
+*.key
+*.pem
+.dvc/config.local
+
+# MLflow local eventuel (on utilise le serveur distant)
+mlruns/
 
 # Jupyter
 .ipynb_checkpoints/
@@ -14,8 +24,3 @@ __pycache__/
 *.pyc
 .venv/
 venv/
-
-# Secrets / environnement
-.env
-*.key
-*.pem

README.md

@@ -0,0 +1,58 @@
+# TP02 - Comparer et tracer des experimentations ML (DVC + MLflow)
+
+Fil rouge : prediction de la consommation electrique. Ce module compare des strategies
+de features et de split, en versionnant les datasets avec **DVC** (remote S3 = Garage de la VM)
+et en tracant les experiences avec **MLflow** (serveur de la VM).
+
+## Prerequis (sur la VM)
+
+- venv : `/opt/venvs/mlops`
+- donnees source : `/data/modelling/features.parquet` + `target.parquet`
+- `.env` renseigne (voir `.env.example`), puis :
+
+```bash
+cd /home/user/tp
+set -a; source .env; set +a
+alias py=/opt/venvs/mlops/bin/python
+alias dvc=/opt/venvs/mlops/bin/dvc
+```
+
+## Package
+
+- `lab/constants.py` : strategies de split (`full_history`, `recent_history`), strategies de
+  features (`short_memory`, `seasonality`, `tendency`, `mixed`, `full`), `RIDGE_ALPHAS`.
+- `lab/split/cli.py` : lit `/data/modelling`, ecrit `data/{train,validation,test}.parquet`
+  selon `CHOSEN_SPLIT_STRATEGY`.
+- `lab/modeling/cli.py` : `py -m lab.modeling.cli <strategy>` -> regression lineaire -> MLflow.
+- `lab/modeling_ridge/cli.py` : `py -m lab.modeling_ridge.cli [--strategy <s>]` -> Ridge sur `RIDGE_ALPHAS`.
+
+## Versionner un dataset avec DVC
+
+```bash
+py -m lab.split.cli
+dvc add data/train.parquet data/validation.parquet data/test.parquet
+git add data/*.dvc data/.gitignore lab .gitignore
+git commit -m "split <strategie>"
+git tag dataset-<version>
+dvc push
+```
+
+Restaurer une version anterieure du dataset :
+
+```bash
+git checkout dataset-v1-full-history -- data/train.parquet.dvc data/validation.parquet.dvc data/test.parquet.dvc
+dvc checkout
+```
+
+## Entrainements
+
+```bash
+for s in short_memory seasonality tendency mixed; do py -m lab.modeling.cli $s; done   # Parties 1 et 2
+py -m lab.modeling_ridge.cli --strategy mixed                                          # Partie 3
+```
+
+Resultats et comparaisons : https://mlflow.192-168-122-143.nip.io (experience `tp02_electricity_consumption`).
+
+## Livrable
+
+Synthese des resultats et reponses aux questions : `SYNTHESE.md`.

SYNTHESE.md

@@ -0,0 +1,200 @@
+# TP02 - Synthèse : comparer et tracer des expérimentations ML
+
+Fil rouge : prédiction de la consommation électrique (kWh). Datasets versionnés avec **DVC**
+(remote S3 = Garage), expériences tracées avec **MLflow** (expérience `tp02_electricity_consumption`,
+13 runs : 10 régressions linéaires + 3 Ridge).
+
+Deux versions de dataset produites et versionnées (tags git + DVC) :
+
+| Version DVC | Tag git | Train | Validation | Test |
+|---|---|---|---|---|
+| v1 `full_history` | `dataset-v1-full-history` | 2011-2012 | 2013 | 2014 |
+| v2 `recent_history` | `dataset-v2-recent-history` | 2013 | jan-mai 2014 | juin-déc 2014 |
+
+Métriques comparées : **RMSE** et **MAE** sur la **validation** (le test reste réservé).
+
+---
+
+## Partie 1 - Comparaison de stratégies de features (split `full_history`)
+
+Stratégies testées (hypothèse -> features) :
+
+| Stratégie | Hypothèse | Features |
+|---|---|---|
+| `short_memory` | la conso dépend surtout de la veille | lag_1d |
+| `seasonality` | conso plus saisonnière que journalière | lag_7d, lag_30d |
+| `tendency` | conso surtout tendancielle | rolling_mean_7d, rolling_mean_30d |
+| `mixed` | mémoire courte + tendance | lag_1d, lag_7d, lag_30d, rolling_mean_30d |
+| `full` | toutes les features | les 6 |
+
+Résultats (validation, `full_history`) :
+
+| Stratégie | RMSE | MAE |
+|---|---|---|
+| `full` | **7.41** | **4.07** |
+| `mixed` | 7.53 | 4.11 |
+| `short_memory` | 8.82 | 4.58 |
+| `seasonality` | 9.14 | 5.04 |
+| `tendency` | 20.79 | 14.66 |
+
+**1.1 - Quelle stratégie obtient les meilleures performances ?**
+`full` (6 features) puis `mixed` (4 features), quasi à égalité. Toutes deux combinent lags courts
+et tendance. `tendency` (moyennes glissantes seules) est de loin la pire.
+
+**1.2 - Ajouter davantage de features améliore-t-il systématiquement le modèle ?**
+Non. `short_memory` (1 feature) fait 8.82 alors que `tendency` (2 features) fait 20.79 : c'est la
+**pertinence** des features, pas leur nombre, qui compte. Et `full` (6) n'améliore `mixed` (4) que
+marginalement (7.41 vs 7.53) : rendements décroissants, les features supplémentaires apportent peu.
+
+**1.3 - Quelles hypothèses semblent validées ?**
+- « La conso dépend de la veille » : validée, `lag_1d` est le prédicteur dominant (voir coefficients).
+- « Plutôt tendancielle » (moyennes glissantes seules) : **invalidée** (pire modèle).
+- La conso combine **mémoire court terme + tendance** : validée (mixed/full gagnants).
+
+---
+
+## Partie 2 - Comparaison des stratégies d'entraînement (split)
+
+Chaque stratégie ré-entraînée sur `recent_history`. Matrice RMSE (validation) :
+
+| Stratégie | `full_history` | `recent_history` |
+|---|---|---|
+| `short_memory` | 8.82 | 8.30 |
+| `seasonality` | 9.14 | 7.60 |
+| `tendency` | 20.79 | 18.56 |
+| `mixed` | 7.53 | 6.67 |
+| `full` | 7.41 | **6.58** |
+
+La stratégie `full` a été relancée sur **la première version du dataset (v1) restaurée via DVC**
+(`git checkout dataset-v1-full-history -- ... && dvc checkout`), illustrant la reproductibilité.
+
+**2.1 - Quel split obtient les meilleures performances ?**
+`recent_history` : RMSE plus bas pour **les 5 stratégies** (env. -12 %).
+
+**2.2 - Davantage d'historique ou données plus récentes ?**
+Ici, **données plus récentes**. Nuance importante : la comparaison n'est pas strictement iso car les
+fenêtres de validation diffèrent (2013 pour `full_history` vs début 2014 pour `recent_history`).
+Prédire début 2014 à partir de 2013 (année adjacente) est plus « facile » que prédire 2013 à partir
+de 2011-2012. Enseignement : la **proximité temporelle train/validation** (moins de dérive) prime sur
+le simple volume d'historique ancien.
+
+**2.3 - Avantages / inconvénients de chaque approche ?**
+- `full_history` : + capte les cycles longs (saisonnalité annuelle), robustesse au bruit ponctuel ;
+  - inclut des données anciennes possiblement obsolètes (data/concept drift), plus coûteux, validation lointaine.
+- `recent_history` : + colle au régime actuel (moins de drift), moins coûteux ;
+  - moins de données (variance accrue), saisonnalités longues moins fiables (`lag_365d`), sensible aux
+    événements récents atypiques.
+
+**2.4 - Bonus : coefficients du modèle** (linéaire `full`, `recent_history`), par influence décroissante :
+
+| Feature | Coefficient |
+|---|---|
+| lag_1d | +0.460 |
+| lag_7d | +0.371 |
+| rolling_mean_7d | +0.288 |
+| rolling_mean_30d | -0.268 |
+| lag_365d | +0.090 |
+| lag_30d | +0.058 |
+
+- Les plus influentes : `lag_1d` (la veille) et `lag_7d` (semaine dernière), puis la paire
+  `rolling_mean_7d` (+) / `rolling_mean_30d` (-) qui agit en **différentiel de tendance** court/moyen terme.
+- Les peu utilisées : `lag_30d` et `lag_365d` (mensuel/annuel apportent peu une fois les autres présentes).
+- Cela **confirme les hypothèses de la Partie 1** : mémoire court terme + tendance courte dominent.
+
+---
+
+## Partie 3 - Influence des hyperparamètres avec Ridge
+
+Sur le meilleur couple (features `full`, split `recent_history`), alphas `[1, 1e3, 1e9]` :
+
+| alpha | RMSE (val) | MAE (val) | RMSE (train) |
+|---|---|---|---|
+| 1 | **6.576** | **3.677** | 7.397 |
+| 1e3 | **6.576** | **3.677** | 7.397 |
+| 1e9 | 7.059 | 4.185 | 8.115 |
+
+Coefficients selon alpha :
+
+| Feature | alpha=1 | alpha=1e3 | alpha=1e9 |
+|---|---|---|---|
+| lag_1d | 0.460 | 0.460 | 0.284 |
+| lag_7d | 0.371 | 0.371 | 0.263 |
+| lag_30d | 0.058 | 0.058 | 0.158 |
+| lag_365d | 0.090 | 0.090 | 0.174 |
+| rolling_mean_7d | 0.288 | 0.287 | 0.069 |
+| rolling_mean_30d | -0.268 | -0.268 | 0.043 |
+
+**3.1 - Quelle valeur d'alpha obtient les meilleures performances ?**
+`alpha=1` (identique à `alpha=1e3`). `alpha=1e9` dégrade nettement (RMSE 7.06).
+
+**3.2 - Que se passe-t-il sur les coefficients quand alpha augmente ?**
+Ils sont **contraints vers zéro** (régularisation L2). À `alpha=1` et `1e3` : quasi identiques, car la
+pénalité reste négligeable devant ~4,5 M d'échantillons. À `alpha=1e9` : forte contraction, les
+coefficients dominants s'écrasent (`lag_1d` 0.46 -> 0.28, `rolling_mean_7d` 0.29 -> 0.07,
+`rolling_mean_30d` -0.27 -> +0.04) ; le modèle devient plus « plat » (biais accru) -> RMSE augmente.
+
+**3.3 - Pourquoi est-il indispensable de logger les hyperparamètres ?**
+Pour la **reproductibilité et la comparabilité** : une métrique n'a de sens qu'associée à ses HP (alpha,
+features, split). Sans, impossible de reproduire un run, d'expliquer un écart de performance ou de
+comparer objectivement. MLflow lie chaque métrique à ses paramètres -> traçabilité complète.
+
+**3.4 - Bonus : que représente le bruit ? Faut-il l'apprendre ?**
+Le bruit = variations aléatoires non reproductibles (erreurs de mesure, aléas ponctuels). Il **ne faut
+pas** l'apprendre : le modèle mémoriserait des accidents particuliers (overfitting) au lieu de la relation
+générale, et généraliserait mal. Exemple : un pic de conso dû à une canicule exceptionnelle un 15 août
+ne doit pas devenir une règle.
+
+**3.5 - L'ordre de grandeur des coefficients a-t-il un effet ? Et avec du bruit ?**
+Oui : de grands coefficients rendent la prédiction très sensible aux petites variations des features
+(amplification). En présence de bruit, ils **amplifient ce bruit** -> prédictions instables, variance
+élevée (overfitting). Des coefficients plus petits lissent la réponse.
+
+**3.6 - Rôle de l'hyperparamètre alpha ?**
+alpha règle le **compromis biais/variance** en pénalisant la magnitude des coefficients : alpha faible ->
+modèle libre (variance élevée, risque d'overfitting) ; alpha élevé -> coefficients contraints (biais
+élevé, risque d'underfitting). C'est le levier de régularisation pour améliorer la généralisation face
+au bruit.
+
+**3.7 - Comment utiliser un dataset de test dans le choix d'un hyperparamètre ?**
+On ne choisit **jamais** alpha sur le test. On règle alpha sur la **validation** (comparaison des alphas),
+puis on mesure **une seule fois** le modèle retenu sur le **test** (jamais vu) pour une estimation non
+biaisée de la généralisation. Utiliser le test pour régler alpha revient à le « fuiter » -> estimation
+trop optimiste.
+
+---
+
+## Partie 4 - Réflexion en production
+
+**4.1 - Sur quelles données entraîner ?**
+Sur une **fenêtre glissante de données récentes** représentatives du régime actuel (ici `recent_history`
+l'emporte), en réintégrant régulièrement les dernières observations, tout en gardant assez d'historique
+pour capter les saisonnalités utiles (semaine, éventuellement année si stable). Compromis récence/volume.
+
+**4.2 - À quelle fréquence réentraîner ?**
+Réentraînement **périodique** (hebdomadaire à mensuel selon le coût et la vitesse de dérive) **et**
+déclenché **par événement** (dégradation des métriques ou détection de drift). La forte saisonnalité de
+la conso justifie au minimum un rythme régulier accompagné d'une surveillance.
+
+**4.3 - Quels indicateurs signalent un nouvel entraînement ?**
+- **Dégradation des métriques** en production (RMSE/MAE qui remontent vs baseline).
+- **Data drift** : la distribution des features d'entrée s'éloigne de celle d'entraînement.
+- **Concept drift** : la relation features -> cible change (nouveaux usages, réglementation, météo extrême).
+- Écart croissant entre distributions **train vs production** (surveillance type Evidently/Grafana).
+
+---
+
+## Livrables - synthèse finale
+
+- **Stratégies de features testées** : `short_memory`, `seasonality`, `tendency`, `mixed`, `full`.
+- **Résultats** : voir matrices ci-dessus (validation RMSE/MAE).
+- **Meilleur run MLflow** : features `full` sur le split `recent_history` (RMSE **6.576**, MAE **3.677**) ;
+  en linéaire comme en Ridge `alpha` ≤ 1e3 (résultats indistinguables ; run Ridge `alpha=1e3`
+  `id 57cac1f5...`).
+- **Impact du changement de split** : `recent_history` améliore **toutes** les stratégies (~ -12 % RMSE),
+  résultat à nuancer (fenêtres de validation différentes -> proximité temporelle avantageuse).
+- **Stratégie recommandée en production** : features **`mixed`** (parcimonie : quasi identique à `full`
+  mais 4 features au lieu de 6, `lag_30d`/`lag_365d` contribuant peu), entraînée sur une **fenêtre de
+  données récentes**, avec **Ridge `alpha` modéré (1 à 1e3)**.
+- **Raisons** : meilleure performance en validation, modèle plus simple donc plus robuste et
+  maintenable, données récentes = moins de dérive, régularisation légère = filet de sécurité contre le
+  bruit sans coût de performance.

data/test.parquet.dvc

@@ -0,0 +1,5 @@
+outs:
+- md5: 6ecb52ceb1d8322a91454aca4d902646
+  size: 68171008
+  hash: md5
+  path: test.parquet

data/train.parquet.dvc

@@ -0,0 +1,5 @@
+outs:
+- md5: 24bf315461302605f8fd229eb263f499
+  size: 115206905
+  hash: md5
+  path: train.parquet

data/validation.parquet.dvc

@@ -0,0 +1,5 @@
+outs:
+- md5: 5b3f656605f48a8aabeb5b21a6ae27ca
+  size: 48074392
+  hash: md5
+  path: validation.parquet

lab/constants.py

@@ -0,0 +1,72 @@
+import datetime
+from enum import StrEnum
+from pathlib import Path
+from typing import Literal
+
+# Racine du depot de travail (/home/user/tp sur la VM) : lab/constants.py -> parents[1]
+REPO_ROOT = Path(__file__).resolve().parents[1]
+
+# Donnees source, deja preparees (hors git, volumineuses) : voir /data sur la VM
+SOURCE_DIR = Path("/data/modelling")
+
+# Sorties de split versionnees par DVC dans le depot
+DATASET_DIR = REPO_ROOT / "data"
+
+FEATURE_FILENAME = "features.parquet"
+TARGET_FILENAME = "target.parquet"
+
+
+class SplitStrategy(StrEnum):
+    FULL_HISTORY = "full_history"
+    RECENT_HISTORY = "recent_history"
+
+
+# Strategie de split active : pilote a la fois le decoupage produit par split/cli.py
+# et le parametre "split_strategy" logge dans MLflow. On la modifie (et on committe)
+# a chaque changement de version de dataset pour synchroniser DVC et Git.
+CHOSEN_SPLIT_STRATEGY = SplitStrategy.RECENT_HISTORY
+
+DatasetPart = Literal["train", "test", "validation"]
+
+DATASET_SPLIT_DATES: dict[SplitStrategy, dict[DatasetPart, tuple[datetime.date, datetime.date]]] = {
+    # Partie 1 : tout l'historique disponible pour l'entrainement
+    SplitStrategy.FULL_HISTORY: {
+        "train": (datetime.date(2011, 1, 1), datetime.date(2012, 12, 31)),
+        "validation": (datetime.date(2013, 1, 1), datetime.date(2013, 12, 31)),
+        "test": (datetime.date(2014, 1, 1), datetime.date(2014, 12, 31)),
+    },
+    # Partie 2 : donnees plus recentes uniquement
+    SplitStrategy.RECENT_HISTORY: {
+        "train": (datetime.date(2013, 1, 1), datetime.date(2013, 12, 31)),
+        "validation": (datetime.date(2014, 1, 1), datetime.date(2014, 5, 31)),
+        "test": (datetime.date(2014, 6, 1), datetime.date(2014, 12, 31)),
+    },
+}
+
+
+class ModellingStrategy(StrEnum):
+    SHORT_MEMORY = "short_memory"
+    SEASONALITY = "seasonality"
+    TENDENCY = "tendency"
+    MIXED = "mixed"
+    FULL = "full"
+
+
+Features = Literal["lag_1d", "lag_7d", "lag_30d", "lag_365d", "rolling_mean_7d", "rolling_mean_30d"]
+TARGET = "consumption_kwh"
+
+MODELLING_FEATURES: dict[ModellingStrategy, list] = {
+    # La conso depend surtout de la veille
+    ModellingStrategy.SHORT_MEMORY: ["lag_1d"],
+    # La conso est plus saisonniere que journaliere
+    ModellingStrategy.SEASONALITY: ["lag_7d", "lag_30d"],
+    # La conso suit surtout une tendance
+    ModellingStrategy.TENDENCY: ["rolling_mean_7d", "rolling_mean_30d"],
+    # Melange lags + tendance
+    ModellingStrategy.MIXED: ["lag_1d", "lag_7d", "lag_30d", "rolling_mean_30d"],
+    # Toutes les features disponibles (ajoutee en Partie 2 Etape 3)
+    ModellingStrategy.FULL: ["lag_1d", "lag_7d", "lag_30d", "lag_365d", "rolling_mean_7d", "rolling_mean_30d"],
+}
+
+# Valeurs d'alpha demandees par l'enonce (Partie 3)
+RIDGE_ALPHAS = [1, 1e3, 1e9]

lab/modeling/cli.py

@@ -0,0 +1,77 @@
+import logging
+
+import mlflow
+import pandas as pd
+import typer
+from sklearn import linear_model
+from sklearn import metrics
+
+from .. import constants
+
+app = typer.Typer()
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+@app.command()
+def main(
+    strategy: constants.ModellingStrategy,
+):
+    training_file_path = constants.DATASET_DIR / "train.parquet"
+    validation_file_path = constants.DATASET_DIR / "validation.parquet"
+
+    features = constants.MODELLING_FEATURES[strategy]
+
+    train_df = pd.read_parquet(training_file_path)
+    validation_df = pd.read_parquet(validation_file_path)
+
+    train_df = train_df.dropna(
+        subset=features + [constants.TARGET]
+    )
+    validation_df = validation_df.dropna(
+        subset=features + [constants.TARGET]
+    )
+
+    X_train = train_df[features]
+    y_train = train_df[constants.TARGET]
+
+    X_validation = validation_df[features]
+    y_validation = validation_df[constants.TARGET]
+
+    logger.info(f"Training model with strategy '{strategy}' and features {features}")
+
+    with mlflow.start_run(run_name=f"modelling_{strategy.value}"):
+        mlflow.log_param("model_type", "linear")
+        mlflow.log_param("strategy", strategy.value)
+        mlflow.log_param("split_strategy", constants.CHOSEN_SPLIT_STRATEGY.value)
+
+        mlflow.log_param("features", ",".join(features))
+        model = linear_model.LinearRegression()
+        model.fit(X_train, y_train)
+
+        train_predictions = model.predict(X_train)
+        validation_predictions = model.predict(X_validation)
+
+        train_rmse = metrics.root_mean_squared_error(y_train, train_predictions)
+        validation_rmse = metrics.root_mean_squared_error(y_validation, validation_predictions)
+
+        train_mae = metrics.mean_absolute_error(y_train, train_predictions)
+        validation_mae = metrics.mean_absolute_error(y_validation, validation_predictions)
+
+        mlflow.log_metric("train_rmse", train_rmse)
+        mlflow.log_metric("validation_rmse", validation_rmse)
+
+        mlflow.log_metric("train_mae", train_mae)
+        mlflow.log_metric("validation_mae", validation_mae)
+
+        for feature_name, coefficient in zip(
+            features,
+            model.coef_,
+            strict=True,
+        ):
+            mlflow.log_metric(f"coef_{feature_name}", float(coefficient))
+
+
+if __name__ == "__main__":
+    app()

lab/modeling_ridge/cli.py

@@ -0,0 +1,79 @@
+import logging
+
+import mlflow
+import pandas as pd
+import typer
+from sklearn import linear_model
+from sklearn import metrics
+
+from .. import constants
+
+app = typer.Typer()
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+@app.command()
+def main(
+    strategy: constants.ModellingStrategy = constants.ModellingStrategy.MIXED,
+):
+    training_file_path = constants.DATASET_DIR / "train.parquet"
+    validation_file_path = constants.DATASET_DIR / "validation.parquet"
+
+    features = constants.MODELLING_FEATURES[strategy]
+
+    train_df = pd.read_parquet(training_file_path)
+    validation_df = pd.read_parquet(validation_file_path)
+
+    train_df = train_df.dropna(
+        subset=features + [constants.TARGET]
+    )
+    validation_df = validation_df.dropna(
+        subset=features + [constants.TARGET]
+    )
+
+    X_train = train_df[features]
+    y_train = train_df[constants.TARGET]
+
+    X_validation = validation_df[features]
+    y_validation = validation_df[constants.TARGET]
+
+    logger.info(f"Training Ridge with strategy '{strategy}' and features {features}")
+
+    for alpha in constants.RIDGE_ALPHAS:
+        with mlflow.start_run(run_name=f"modelling_{strategy.value}_ridge_alpha_{alpha:g}"):
+            mlflow.log_param("model_type", "ridge")
+            mlflow.log_param("strategy", strategy.value)
+            mlflow.log_param("split_strategy", constants.CHOSEN_SPLIT_STRATEGY.value)
+
+            mlflow.log_param("features", ",".join(features))
+            mlflow.log_param("alpha", alpha)
+            model = linear_model.Ridge(alpha=alpha)
+            model.fit(X_train, y_train)
+
+            train_predictions = model.predict(X_train)
+            validation_predictions = model.predict(X_validation)
+
+            train_rmse = metrics.root_mean_squared_error(y_train, train_predictions)
+            validation_rmse = metrics.root_mean_squared_error(y_validation, validation_predictions)
+
+            train_mae = metrics.mean_absolute_error(y_train, train_predictions)
+            validation_mae = metrics.mean_absolute_error(y_validation, validation_predictions)
+
+            mlflow.log_metric("train_rmse", train_rmse)
+            mlflow.log_metric("validation_rmse", validation_rmse)
+
+            mlflow.log_metric("train_mae", train_mae)
+            mlflow.log_metric("validation_mae", validation_mae)
+
+            for feature_name, coefficient in zip(
+                features,
+                model.coef_,
+                strict=True,
+            ):
+                mlflow.log_metric(f"coef_{feature_name}", float(coefficient))
+
+
+if __name__ == "__main__":
+    app()

lab/split/cli.py

@@ -0,0 +1,35 @@
+import logging
+
+import pandas as pd
+
+from .. import constants
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+def main():
+    # Entrees : dataset source deja prepare (hors git)
+    feature_file_path = constants.SOURCE_DIR / constants.FEATURE_FILENAME
+    target_file_path = constants.SOURCE_DIR / constants.TARGET_FILENAME
+
+    logger.info(f"Read dataset from {feature_file_path} and {target_file_path}")
+    df_features = pd.read_parquet(feature_file_path)
+    df_target = pd.read_parquet(target_file_path)
+
+    df = df_features.join(df_target)
+    timestamps = df.index.get_level_values("timestamp")
+
+    # Sorties : splits versionnes par DVC dans le depot
+    constants.DATASET_DIR.mkdir(parents=True, exist_ok=True)
+    logger.info(f"Split strategy: {constants.CHOSEN_SPLIT_STRATEGY.value}")
+    for dataset_name, (start_date, end_date) in constants.DATASET_SPLIT_DATES[constants.CHOSEN_SPLIT_STRATEGY].items():
+        file_path = constants.DATASET_DIR / f"{dataset_name}.parquet"
+        mask = (timestamps.date >= start_date) & (timestamps.date <= end_date)
+        df_split = df[mask]
+        logger.info(f"Split dataset into {dataset_name} ({start_date} -> {end_date}) with shape: {df_split.shape}")
+        df_split.to_parquet(file_path)
+
+
+if __name__ == "__main__":
+    main()