feat: purge cascade observed_results, scripts GradientBoosting hors-Docker, delete_iris

[alanconqrepo]

Summary

• API : DELETE /predictions/purge accepte désormais older_than_days=0 et supprime en cascade les observed_results (ground truth) liés aux prédictions purgées
• Scripts : train_iris_GradientBoosting.py et upload_iris_model_GradientBoosting.py alignés sur leurs homologues RandomForest pour fonctionner hors Docker
• Nouveau : delete_iris.py — script de nettoyage complet avec dry-run

Détail des changements

API — DELETE /predictions/purge

• older_than_days : contrainte ge=1 → ge=0 (0 = tout supprimer, sans seuil temporel)
• Suppression en cascade : les observed_results dont le couple (id_obs, model_name) correspond aux prédictions purgées sont supprimés avant les prédictions
• PurgeResponse : nouveau champ deleted_observed_results_count (0 en dry_run, compte réel après suppression)
• linked_observed_results_count conservé pour la rétrocompatibilité (sert d'estimation en dry_run)

Scripts documentation — GradientBoosting hors-Docker

train_iris_GradientBoosting.py reçoit toutes les fonctionnalités de train_iris.py :

• dotenv + load_dotenv(find_dotenv()) pour charger le .env local
• Valeurs par défaut sur les 3 vars obligatoires (os.environ.get au lieu de os.environ[...] qui crashait)
• Bloc DEBUG avec dump des variables d'environnement avant/après surcharge
• Fonction _ts() pour le timing de chaque étape
• MLFLOW_HTTP_REQUEST_TIMEOUT=8 pour éviter les blocages de 120 s
• Résolution des credentials MinIO (AWS_* > MINIO_ROOT_*)
• Détection _in_docker + substitution mlflow: → localhost: et minio:9000 → localhost:9010
• log_metrics en un seul appel réseau (au lieu de N appels individuels)
• infer_signature avec predict_proba (signature float, évite le warning "integer column")
• Suppression des warnings parasites MLflow via logging.getLogger

upload_iris_model_GradientBoosting.py : ajout dotenv.

Nouveau script — delete_iris.py

Nettoyage complet d'un modèle en une commande :

API_TOKEN=<token> python delete_iris.py          # dry-run
API_TOKEN=<token> python delete_iris.py --yes    # suppression réelle

• Étape 1 : DELETE /predictions/purge?older_than_days=0&dry_run=false (prédictions + ground truth en cascade)
• Étape 2 : DELETE /models/{name} (toutes versions + MLflow runs + MinIO objects)

Tests

• test_purge_older_than_days_zero_returns_422 → test_purge_older_than_days_zero_is_valid : vérifie le 200 et la présence du champ deleted_observed_results_count

Reviewer notes

• La suppression des observed_results se fait par DELETE … WHERE (id_obs, model_name) IN (…) avant celle des prédictions — pas de contrainte FK à gérer.
• deleted_observed_results_count vaut toujours 0 en dry_run (aucune suppression effectuée) ; linked_observed_results_count donne l'estimation dans ce cas.
• Rétrocompatibilité : linked_observed_results_count reste présent dans PurgeResponse.

🤖 Generated with Claude Code