« Recalibrage des attributs » : différence entre les versions

Dernière version du 19 septembre 2025 à 20:27

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.

Compléments

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). Dans un tel cas, l'opération se nomme transformation min-max.

Dans le cas où les valeurs sont ramenées sur une échelle de -1 à 1 ou de 0 à 1, on parle plutôt de 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

@@ Ligne 2 : / Ligne 2 : @@
 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 1. Si la plage d'un attribut particulier s'étend de 0 à 500, vous pouvez mettre à l'échelle cette valeur en divisant chaque valeur par 500.
+== Compléments ==
+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). Dans un tel cas, l'opération se nomme '''[[transformation min-max]]'''.
-Voir aussi '''[[normalisation]]'''.
+Dans le cas où les valeurs sont ramenées sur une échelle de -1 à 1 ou de 0 à 1, on parle plutôt de '''[[normalisation]]'''.
 Dans le contexte des performances d'un [[modèle d'apprentissage]] voir [[loi d'échelle]].
+== Français ==
+'''recalibrage des attributs'''
-== Français ==
+'''mise à l'échelle des attributs'''
-'''mise à l'échelle'''
+'''changement d'échelle des attributs'''
 == Anglais ==
+'''feature scaling'''
 '''scaling'''
 ==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 ]
 [[Category:GRAND LEXIQUE FRANÇAIS]]
 [[Category:Apprentissage profond]]

« Recalibrage des attributs » : différence entre les versions