« Recalibrage des attributs » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
Ligne 9 : Ligne 9 :


== Français ==
== Français ==
'''mise à l'échelle'''  
'''recalibrage des attributs'''
 
'''mise à l'échelle des attributs'''
 
'''changement d'échelle des attributs'''


== Anglais ==
== Anglais ==
'''attribute scaling'''
'''feature scaling'''


'''scaling'''
'''scaling'''


==Sources==
==Sources==
[https://www.dunod.com/sciences-techniques/machine-learning-avec-scikit-learn-mise-en-oeuvre-et-cas-concrets-1 Livre - Aurélien Géron, trad. Anne Bohy - ''Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets'' - recalibrage des attributs]
[https://developers.google.com/machine-learning/glossary/  Source : Google machine learning glossary ]
[https://developers.google.com/machine-learning/glossary/  Source : Google machine learning glossary ]



Version du 16 septembre 2025 à 15:19

Définition

Pratique couramment utilisée dans l'extraction d'attributs pour faire correspondre la plage de valeurs d'un attribut à celle d'autres attributs de l'ensemble de données.

Supposons que vous souhaitiez que la plage de tous les attributs à virgule flottante de l'ensemble de données s'étende de 0 à 255. Si la plage d'un attribut particulier s'étend de 0 à 500, vous pouvez mettre à l'échelle cette valeur par une simple règle de trois (ou produit croisé).

Voir aussi normalisation.

Dans le contexte des performances d'un modèle d'apprentissage voir loi d'échelle.

Français

recalibrage des attributs

mise à l'échelle des attributs

changement d'échelle des attributs

Anglais

feature scaling

scaling

Sources

Livre - Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets - recalibrage des attributs

Source : Google machine learning glossary