« 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__
-== Domaine ==
-[[Category:GRAND LEXIQUE FRANÇAIS]]
-[[Category:Vocabulaire2]]
-[[Category:Google2]]
-[[Category:Apprentissage profond2]]
-[[Category:scotty2]]
-<br />
 == 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.
-Voir aussi '''normalisation'''.
+== 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]]'''.
-<br />
+Dans le contexte des performances d'un [[modèle d'apprentissage]] voir [[loi d'échelle]].
 == Français ==
-=== mise à l'échelle  <small>n.f.</small> ===
+'''recalibrage des attributs'''
+'''mise à l'échelle des attributs'''
-<br />
+'''changement d'échelle des attributs'''
 == Anglais ==
+'''feature scaling'''
+'''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]
-<br/>
+[https://developers.google.com/machine-learning/glossary/  Source : Google machine learning glossary ]
-<br/>
-<br/>
-[https://developers.google.com/machine-learning/glossary/  Source: Google machine learning glossary ]
-<br/>
-<br/>[https://datafranca.org/lexique/mise-a-lechelle/        ''Publié : datafranca.org'' ]
-<br/>
-<br/>
-<br/>
+[[Category:GRAND LEXIQUE FRANÇAIS]]
+[[Category:Apprentissage profond]]

« Recalibrage des attributs » : différence entre les versions