« Recalibrage des attributs » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (3 versions intermédiaires par un autre utilisateur non affichées) | |||
| 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. | 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). | == 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]]. | Dans le contexte des performances d'un [[modèle d'apprentissage]] voir [[loi d'échelle]]. | ||
== Français == | == Français == | ||
'''mise à l'échelle''' | '''recalibrage des attributs''' | ||
'''mise à l'échelle des attributs''' | |||
'''changement d'échelle des attributs''' | |||
== Anglais == | == Anglais == | ||
''' | '''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 ] | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Category:Apprentissage profond]] | [[Category:Apprentissage profond]] | ||
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
Contributeurs: Evan Brach, Claire Gorjux, Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki, Robert Meloche
