fix(qc,#14122): quantbooks ML-RandomForest/ML-SVM -- purge UserWarning sklearn (re-exec QC Cloud)

[jsboige]

Grain: DEEP/qc — lane myia-po-2023:CoursIA — prev: DEEP/notebook-python #18610

Summary

Purge le UserWarning sklearn des sorties de 2 quantbooks ML de la série QuantConnect (tranche #14122) en corrigeant la cause (passage d'un array NumPy à un scaler/classifieur ajusté sur DataFrame), puis re-exécution réelle sur QC Cloud (kernel-side, capture per-cell).

• projects/ML-RandomForest/quantbook.ipynb — 1 ligne : latest = ticker_features.iloc[i:i+1] (retrait du .values)
• projects/ML-SVM/quantbook.ipynb — même retrait + fix d'exposition : le backtest SVM réutilise UN modèle fit sur les colonnes SPY_* pour prédire les features propres à chaque ticker. Sans .values, sklearn valide les noms → ValueError: The feature names should match those that were passed during fit (fit SPY_*, predict QQQ_*). Fix : projection explicite des colonnes du ticker sur celles du fit (rename(dict(zip(...)))) — exactement la sémantique positionnelle que .values fournissait en silence, désormais affirmée et vérifiée par sklearn.

Le RF n'a pas besoin de ce second fix : son backtest fit déjà un scaler/modèle par ticker (t_scaler/t_model dans la boucle). Les .values restants sont légitimes (symbols.values(), y_test_wf.values — itération, pas un transform).

Re-execution QC Cloud (H.1 — EXEC_PROVED)

Session research R-63a70d811593436e65daa54ceeefa5f5 (node27), kernel Foundation-Py-Default (ipython 9.8.0), runner kernel-side via websocket (subprotocol v1) : re-exécution intégrale des sources depuis le disque kernel avec capture IPython.utils.capture_output par cellule, sérialisation mimebundle-only, écriture *_executed.ipynb, fetch par GET /files/.

Quantbook	Projet QC	BUILD_OK
ML-RandomForest	29434751	cells=22 code=10 errors=0 userwarnings=0 sha256=a02a17302d6dcd3d srcsha=9bc54d71
ML-SVM	29434752 (executé sur session 29434751, node27, après « No spare research nodes »)	cells=22 code=10 errors=0 userwarnings=0 sha256=fb05416563279716 srcsha=53765a17

Inventaire C.2 : execution_count 1..10 dans l'ordre sur les 10 cellules code de chaque quantbook, 0 output error, 0 UserWarning dans les sorties — l'objet du grain. 11/12 outputs capturés (RF/SVM), backtests complets (ex. SVM : $100,000 → $139,031.20, +39.03 %).

Note d'exécution mesurée : le Run All de l'IDE web QC persiste execution_count mais droppe les outputs du fichier — la capture par runner kernel-side est la seule voie qui objective les sorties (le « File: Save » forcé ne les récupère pas).

Allègement déclaré (ratchet output-collapse) : la perte de volume en cellule 9-backtest (RF : 406 529 → 179 octets ; SVM : 326 097 → 252 octets) est l'objet du grain — les anciens outputs de cette cellule étaient 1575 streams UserWarning (un par rebalancement). Les figures des autres cellules sont intactes (feature importance 44 107 → 44 715 o, matrice de confusion 29 193 → 29 349 o). Les valeurs de backtest changent (RF 19,53 % → 34,26 % ; SVM 45,99 % → 39,03 %) car les anciens outputs dataient d'une ère source antérieure (leurs warnings citent MinMaxScaler, le source actuel utilise StandardScaler) : sorties périmées par rapport au source, la re-exécution fraîche est la trace honnête du code committé.

Diagnostic deriver (C.4)

Verdict : CAUSE_FIXED — la cause était locale en source : l'output committé portait le warning parce que le code passait .values (array sans noms) à un StandardScaler/SVC ajusté sur DataFrame. Fix causal en source + re-exécution fraîche. Le retrait a de plus exposé le mismatch de noms du backtest SVM (latent, masqué par le warning) — corrigé dans la même PR par projection explicite.

Validation

• Pre-commit H.3 (notebooks committés AVEC outputs) : execution_count 1..10 + outputs sur chaque cellule code
• Grep post-fix : plus aucun .iloc[i:i+1].values dans les 2 quantbooks ; autres projets QC vérifiés (BTC-ML, Chronos : .values array-native cohérent, 0 UserWarning committé — hors scope)

See #14122 (tranche QuantConnect ML — livraison partielle de l'EPIC, ne clôt pas).

🤖 Generated with Claude Code

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[github-actions]

Golden-Set Execution (H.7 P3)

✅ 8/8 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	8.3s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	3.4s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	3.9s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	4.0s
Search-01-StateSpace.ipynb	✅ SUCCESS	3.3s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	2.4s
rl_4_multi_armed_bandits.ipynb	✅ SUCCESS	17.2s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	2.9s

Pinned lockfile: scripts/notebook_tools/golden_set.lock.txt (H.7 P3, axe A #4208)

[github-actions]

✅ No prose/output mismatch detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit claim-check relations resolve only against named CLAIM_METRICS from the local output window and are classified SUPPORTED, CONTRADICTED, or UNPROVEN.
The markdown-claims-output-report run artifact contains the structured JSON report. See python scripts/check_markdown_claims_output.py --help for re-running locally.
Detector rationale: c.290 / c.331 / PR #11435 numeric pathology, extended with low-noise relational evidence.

[github-actions]

✅ No unanchored measurement claim detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. The stale-claim-report run artifact holds the structured JSON.
Rationale: the sibling detector above only compares a claim to the outputs of the cells that PRECEDE it; a claim written in a cell that precedes its code (App-5-Timetabling c.2/c.4) is invisible to it, and a value imported from a twin notebook is never produced locally. See python scripts/check_stale_claims.py --help.

[github-actions]

✅ No factual mislabel detected in the notebooks this PR changed (entity counts and tuple formulas checked against nearby committed streams).

Scope = notebooks CHANGED in this PR, not the whole corpus. The factual-mislabel-report run artifact holds the structured JSON.
Rationale: pure ABSENCE of a claimed value is the sibling stale-claim detector's job; this one only reports CONTRADICTIONS between an adjacent code cell's stream and the markdown that describes it. See python scripts/check_factual_mislabel.py --help.

[github-actions]

Notebook PR Validation: PASS

• Notebooks checked: 2
• Code cells validated: 20
• Result: All passed

Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns)
Non-Python kernels (.NET/Lean): C.1 + errors only (execution_count advisory)
QuantConnect notebooks: C.1 + errors only (require QC Cloud for execution)

[github-actions]

Notebook outputs-required (H.4 schema): PASS (every code cell carries an outputs: list)

[jsboige]

[ADJOINT PREFLIGHT]
schema: 1
lane: myia-po-2026:CoursIA-3
pr: 18623
head: ebecd5e
complete: true
body: read
comments-reviewed: 7
reviews-reviewed: 0
threads-reviewed: 0
threads-unresolved: 0
surfaces-sha256: 2b9fcbfb07e46d62b81db44820133dc0cdb398dccac31baf07db2b6a9d413858
diff-files: 2
diff-additions: 144
diff-deletions: 16196
checks: latest-wins-green
b0: clear
scope: pass
domain: pass
verdict: READY
[/ADJOINT PREFLIGHT]