# Metteur à l'échelle des Caractéristiques Mettre à l'échelle et normaliser les caractéristiques en utilisant diverses méthodes pour le prétraitement d'apprentissage automatique et la standardisation des données > Page canonique: https://elysiatools.com/fr/tools/feature-scaler - **Catégorie:** Data Processing - **Mots-clés:** mise à l'échelle des caractéristiques, normalisation, standardisation, min-max, z-score, mise à l'échelle robuste, apprentissage automatique, prétraitement des données, normalisation ## Présentation Le Metteur à l'échelle des Caractéristiques est un outil essentiel pour le prétraitement de vos données, permettant de normaliser ou de standardiser vos variables numériques afin d'optimiser les performances de vos modèles d'apprentissage automatique. ## Entrées - **CSV Data Input** (textarea): Enter your CSV data here... Example: Feature1,Feature2,Feature3,Label 1.5,2.3,0.8,A 3.2,1.1,2.5,B 0.8,4.5,1.2,C 2.1,3.4,1.8,A 4.5,1.9,0.7,B - **Méthode de Mise à l'échelle** (select) - **Colonnes à Mettre à l'échelle (optionnel)** (text): Spécifiez quelles colonnes mettre à l'échelle. Si vide, toutes les colonnes numériques seront détectées et mises à l'échelle automatiquement. - **Paramètres de Mise à l'échelle (pour transformation inverse)** (textarea): Requis uniquement pour la transformation inverse. Collez les paramètres de mise à l'échelle d'une exécution précédente. - **Première Ligne Contient les En-têtes** (checkbox): Traiter la première ligne comme en-têtes de colonne - **Transformation Inverse** (checkbox): Appliquer la transformation inverse en utilisant les paramètres fournis - **Format de Sortie** (select) - **Sauvegarder les Paramètres de Mise à l'échelle** (checkbox): Inclure les paramètres de mise à l'échelle dans la sortie pour les transformations inverses futures - **Uniquement les Données Mises à l'échelle** (checkbox): Ignorer l'analyse détaillée et afficher uniquement les données mises à l'échelle ## Quand l'utiliser - Avant d'entraîner un modèle d'apprentissage automatique sensible aux échelles de données. - Lorsque vos variables possèdent des unités de mesure ou des ordres de grandeur très différents. - Pour préparer des jeux de données hétérogènes à une analyse statistique comparative. ## Fonctionnement - Copiez et collez vos données au format CSV dans la zone de saisie dédiée. - Sélectionnez la méthode de mise à l'échelle appropriée, telle que Z-score, Min-Max ou Robuste. - Configurez les options de colonnes et le format de sortie souhaité. - Lancez le traitement pour obtenir vos données normalisées prêtes à l'emploi. ## Cas d'usage - Préparation de datasets pour des algorithmes de clustering comme K-Means. - Normalisation de variables financières pour des modèles de régression linéaire. - Standardisation de mesures physiques pour des réseaux de neurones profonds. ## Questions fréquentes ### Quelle méthode choisir entre Standard et Min-Max ? Utilisez Standard (Z-score) si vos données suivent une distribution normale, et Min-Max si vous souhaitez borner vos valeurs dans un intervalle fixe, typiquement [0, 1]. ### Que fait le Metteur Robuste ? Le Metteur Robuste utilise la médiane et l'écart interquartile, ce qui le rend beaucoup moins sensible aux valeurs aberrantes (outliers) que les autres méthodes. ### Puis-je inverser la transformation effectuée ? Oui, en cochant 'Transformation Inverse' et en fournissant les paramètres JSON sauvegardés lors de la première exécution. ### L'outil détecte-t-il automatiquement les colonnes numériques ? Oui, si vous laissez le champ 'Colonnes à Mettre à l'échelle' vide, l'outil identifiera et traitera automatiquement toutes les colonnes contenant des valeurs numériques. ### Quels formats de sortie sont supportés ? Vous pouvez obtenir vos résultats sous forme de fichier CSV, de structure JSON ou simplement via un rapport textuel affiché directement dans l'interface. ## Outils associés - [Calculateur de Colonnes](https://elysiatools.com/fr/tools/column-calculator): Effectuer des calculs sur les colonnes et ajouter de nouvelles lignes - [Fusionneur de Données par Ajout](https://elysiatools.com/fr/tools/data-append-merger): Ajouter et fusionner verticalement plusieurs tables de données avec correspondance intelligente des colonnes - [Extracteur de Colonnes de Données](https://elysiatools.com/fr/tools/data-column-extractor): Extrait des colonnes spécifiques de données tabulaires avec support pour divers formats et sélection flexible de colonnes - [Calculateur de Lignes](https://elysiatools.com/fr/tools/row-calculator): Effectuer des calculs sur chaque ligne et ajouter de nouvelles colonnes - [Réorganisateur de Colonnes](https://elysiatools.com/fr/tools/column-reorder): Réorganiser les colonnes de la table sans changer les lignes de données - [Calculateur de Coefficient de Variation](https://elysiatools.com/fr/tools/coefficient-of-variation): Calculer le coefficient de variation (CV) pour les colonnes numériques pour mesurer la variabilité relative - [Suppresseur de Colonnes](https://elysiatools.com/fr/tools/column-remover): Supprimer des colonnes spécifiées des données de la table - [Validateur CSV](https://elysiatools.com/fr/tools/csv-validator): Valide la structure CSV, détecte les lignes malformées, les guillemets déséquilibrés et les colonnes incohérentes ## Exemples - [Exemples CSV](https://elysiatools.com/fr/samples/csv-samples): Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité - [Exemples Python](https://elysiatools.com/fr/samples/python): Exemples de code Python et démonstrations Hello World - [Traitement de Chaînes Windows - Exemples C#](https://elysiatools.com/fr/samples/windows-string-processing-csharp): Exemples complets de traitement de chaînes C# pour plateforme Windows incluant manipulation, division, jonction, expressions régulières et analyse de texte - [Exemples Apache Spark](https://elysiatools.com/fr/samples/apache-spark): Framework de traitement de big data Apache Spark avec exemples PySpark, DataFrames, SQL et opérations de machine learning