LABO · 2026
Electio Analytics
Prédire des tendances électorales en croisant 22 indicateurs socio-économiques avec les résultats passés.
Projet de fil rouge de première année : prédire des tendances de vote à un à trois ans pour une société de conseil fictive.
Périmètre réel : deux départements, 22 variables — participation, revenus, diplômes, emploi, démographie, criminalité — et deux scrutins présidentiels de référence. J'ai pris la partie modèles : comparaison de cinq familles d'algorithmes, puis recherche d'hyperparamètres sur celui retenu.
La contrainte technique la plus formatrice n'était pas le machine learning mais l'accès aux données : la base vivait sur un serveur distant joignable uniquement par tunnel SSH, ce qui oblige à concevoir le pipeline pour qu'il ne s'effondre pas quand la connexion tombe.
22
VARIABLES CROISÉES
5
FAMILLES D'ALGORITHMES COMPARÉES
2
SCRUTINS DE RÉFÉRENCE
Ce qu'il sait faire
Comparer avant d'optimiser
Cinq familles d'algorithmes mises en concurrence, puis recherche d'hyperparamètres sur celle retenue. Régler finement un modèle choisi d'avance, c'est optimiser le mauvais.
Vingt-deux indicateurs socio-économiques
Participation, revenus, diplômes, emploi, démographie, criminalité, croisés avec les résultats passés sur deux départements.
Un pipeline qui survit à la connexion
La base vivait sur un serveur distant joignable seulement par tunnel. Ce qui oblige à concevoir le traitement pour qu'il ne s'effondre pas quand le lien tombe — ce qu'il fait.
Ce qui était difficile
- Travailler sur une base distante dont l'accès peut disparaître en cours de traitement.
- Garder une honnêteté de lecture sur un sujet où un modèle dit toujours quelque chose, même quand il n'a rien trouvé.