« Recalibrage des attributs » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
Ligne 9 : | Ligne 9 : | ||
== 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 ] | ||
Version du 16 septembre 2025 à 15:19
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 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).
Voir aussi 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
