« Mise à l'échelle » : différence entre les versions


m (Remplacement de texte — « <small> féminin </small> » par «  »)
Aucun résumé des modifications
 
(4 versions intermédiaires par 4 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
== Définition ==
== Définition ==
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.
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.


Voir aussi '''[[normalisation]]'''.
Voir aussi '''[[normalisation]]'''.
Dans le contexte des performances d'un [[modèle d'apprentissage]] voir [[loi d'échelle]].


== Français ==
== Français ==
''' mise à l'échelle '''  
'''mise à l'échelle'''  


== Anglais ==
== Anglais ==
''' scaling'''
'''scaling'''
 
 
<small>
 
 
[https://developers.google.com/machine-learning/glossary/  Source: Google machine learning glossary ]
 


==Sources==
[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 7 janvier 2025 à 16:23

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 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.

Voir aussi normalisation.

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


Français

mise à l'échelle

Anglais

scaling

Sources

Source : Google machine learning glossary