« 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 1 : / Ligne 1 : @@
-__NOTOC__
+== Définition ==
-== Domaine ==
+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.
-[[Category:Vocabulaire]]Vocabulaire<br />
-[[Category:Google]]Google<br />
-[[Category:Apprentissage profond]]Apprentissage profond<br />
-[[Category:scotty]]
+== Compléments ==
-[[Category:9]]
+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]]'''.
-<br />
-== Définition ==
+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]]'''.
-Pratique couramment utilisée dans l'extraction de caractéristiques pour faire correspondre la plage de valeurs d'une caractéristique à celle d'autres caractéristiques de l'ensemble de données. Supposons que vous souhaitiez que la plage de toutes les caractéristiques à virgule flottante de l'ensemble de données s'étende de 0 à 1. Si la plage d'une caractéristique particulière s'étend de 0 à 500, vous pouvez mettre à l'échelle cette valeur en divisant chaque valeur par 500.
-Voir aussi '''normalisation'''.
+Dans le contexte des performances d'un [[modèle d'apprentissage]] voir [[loi d'échelle]].
+== Français ==
+'''recalibrage des attributs'''
-<br />
+'''mise à l'échelle des attributs'''
-== Termes privilégiés ==
+'''changement d'échelle des attributs'''
-=== mise à l'échelle  <small>n.f.</small> ===
+== Anglais ==
+'''feature scaling'''
-<br />
+'''scaling'''
-== Anglais ==
+==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]
-===  scaling===
+[https://developers.google.com/machine-learning/glossary/  Source : Google machine learning glossary ]
-<br/>
+[[Category:GRAND LEXIQUE FRANÇAIS]]
-<br/>
+[[Category:Apprentissage profond]]
-<br/>
-[https://developers.google.com/machine-learning/glossary/  Source: Google machine learning glossary ]
-<br/>
-<br/>
-<br/>

« Recalibrage des attributs » : différence entre les versions