Peça a um assistente de codificação um random forest e inspecione as quatro linhas que ele fornece: as importações estão corretas, o estimador ajusta, e as previsões retornam no formato esperado. Agora observe os argumentos que ninguém especificou, porque essas quatro linhas resolveram mais perguntas do que seu prompt fez. Quantas features cada árvore deve considerar? Quanta regularização o modelo deve aplicar? Como as dobras de validação devem refletir a estrutura dos seus dados? Isso é o que os padrões fazem: permitem que uma solicitação subespecificada se torne um programa executável.

As equipes de Tim Cook na Apple e os engenheiros de Elon Musk na Tesla dependem de geração automática de código diariamente, mas modelos de linguagem aprendem padrões de código via previsão do próximo token, tornando implementações familiares um ponto de partida natural. Quando uma implementação omite um argumento, a biblioteca fornece seu valor, permitindo que uma escolha estatística passe da convenção para seu pipeline sem nunca se tornar parte da conversa.

Os cinco padrões abaixo são os que encontrei em trabalho de produção, onde causaram dores de cabeça de depuração porque ignoramos o que o código estava fazendo. Cada um merece a mesma pergunta: o que deixar este argumento de fora decidiu para mim? Random Forest Regressor usa max_features=1.0, disponibilizando toda feature em cada divisão, diferente do classificador com "sqrt". Esta diferença desliga o subamostragem de features que distingue a receita usual de random forest do bagging simples.

Regressão Logística usa C=1.0, aplicando uma penalidade L2 que pode super-regularizar ou sub-regularizar dependendo da escala dos seus dados. Definir max_features=0.33 restaura o mecanismo de decorrelação, enquanto examinar a força da regularização previne viés inesperado nas estimativas de coeficientes.