Mise à l'échelle des fonctionnalités

Definition

La mise à l’échelle des fonctionnalités standardise la plage des variables d’entrée afin d’éviter que les fonctionnalités ayant des amplitudes plus grandes ne dominent le processus d’apprentissage. Les méthodes courantes incluent la normalisation (mise à l’échelle min-max) et la standardisation (réduction-centrage), qui améliorent la convergence des algorithmes d’optimisation.

Summary

Le processus de normalisation de la plage des variables indépendantes ou des fonctionnalités des données pour assurer une uniformité d’amplitude.

Key Concepts

• Normalisation
• Standardisation
• Descente de gradient
• Prétraitement des données

Use Cases

• Entraînement de réseaux de neurones
• Clustering K-moyennes
• Machines à vecteurs de support (SVM)

Code Example

1
2
3
4
5
6
7

from sklearn.preprocessing import StandardScaler
import numpy as np

X = np.array([[1, 2], [3, 4], [5, 6]])
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

Related Terms

• Min-Max Scaling (Mise à l’échelle Min-Max)
• Z-score Normalization (Normalisation Z-score)
• Data preprocessing (Prétraitement des données)
• Gradient Descent (Descente de gradient)