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

Spécifiez quelles colonnes mettre à l'échelle. Si vide, toutes les colonnes numériques seront détectées et mises à l'échelle automatiquement.

Requis uniquement pour la transformation inverse. Collez les paramètres de mise à l'échelle d'une exécution précédente.

Traiter la première ligne comme en-têtes de colonne

Appliquer la transformation inverse en utilisant les paramètres fournis

Inclure les paramètres de mise à l'échelle dans la sortie pour les transformations inverses futures

Ignorer l'analyse détaillée et afficher uniquement les données mises à l'échelle

Points clés

Catégorie
Données et tableaux
Types d’entrée
textarea, select, text, checkbox
Type de sortie
text
Couverture des échantillons
4
API disponible
Yes

Vue d’ensemble

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.

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.

Comment ça marche

  • •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.

Exemples

1. Normalisation Min-Max pour un modèle de clustering

Data Scientist
Contexte
Un ensemble de données contient des colonnes 'Âge' (0-100) et 'Revenu' (0-100 000). Les différences d'échelle faussent les calculs de distance.
Problème
Les variables à grande échelle dominent le calcul, rendant le clustering inefficace.
Comment l’utiliser
Sélectionner la méthode 'Metteur Min-Max', charger le CSV, et valider pour obtenir des données normalisées entre 0 et 1.
Résultat
Les deux variables sont désormais sur la même échelle, permettant au modèle de clustering de traiter chaque caractéristique avec le même poids.

2. Standardisation Z-score pour une régression

Analyste de données
Contexte
Les données de capteurs présentent des distributions normales mais des moyennes et écarts-types disparates.
Problème
La convergence du modèle de régression est lente en raison de l'hétérogénéité des échelles.
Comment l’utiliser
Utiliser la méthode 'Metteur Standard (Z-score)' pour centrer les données autour de zéro avec un écart-type unitaire.
Résultat
Le modèle converge plus rapidement et les coefficients de régression deviennent directement comparables.

Tester avec des échantillons

csv, hash
Exemples de Remplacement Regex
Collection de modèles de remplacement regex courants et utiles pour la transformation de texte et le nettoyage de données
preferred input family csv
csv
Exemples de Lignes en Double
Fichiers d'échantillon avec divers types de lignes en double pour tester les outils de suppression des doublons
preferred input family csv
csv
Traitement de Chaînes Windows - Exemples C#
Exemples complets de traitement de chaînes C# pour plateforme Windows incluant manipulation, division, jonction, expressions régulières et analyse de texte
preferred input family csv
csv
Exemples CSV
Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité
preferred input family csv
csv

Hubs associés

Outils d export CSV et de conversion de tableaux
Comparez les conversions entre CSV et Excel, JSON, HTML, Markdown, XML et texte dans un meme hub pour les flux d echange tabulaire.
Outils de nettoyage et de reorganisation CSV
Regroupe dans un meme hub les outils de nettoyage CSV, filtrage, tri, regroupement, fusion, decoupage et reorganisation de tableaux pour les workflows tableur et import/export.

FAQ

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.

Documentation de l'API

Point de terminaison de la requête

POST /fr/api/tools/feature-scaler

Paramètres de la requête

Nom du paramètre Type Requis Description
csvData textarea Oui -
scalingMethod select Oui -
selectedColumns text Non Spécifiez quelles colonnes mettre à l'échelle. Si vide, toutes les colonnes numériques seront détectées et mises à l'échelle automatiquement.
scalingParams textarea Non Requis uniquement pour la transformation inverse. Collez les paramètres de mise à l'échelle d'une exécution précédente.
hasHeader checkbox Non Traiter la première ligne comme en-têtes de colonne
inverseTransform checkbox Non Appliquer la transformation inverse en utilisant les paramètres fournis
outputFormat select Oui -
saveParams checkbox Non Inclure les paramètres de mise à l'échelle dans la sortie pour les transformations inverses futures
scaledOnly checkbox Non Ignorer l'analyse détaillée et afficher uniquement les données mises à l'échelle

Format de réponse

{
  "result": "Processed text content",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}
Texte: Texte

Documentation de MCP

Ajoutez cet outil à votre configuration de serveur MCP: 

{
  "mcpServers": {
    "elysiatools-feature-scaler": {
      "name": "feature-scaler",
      "description": "Mettre à l'échelle et normaliser les caractéristiques en utilisant diverses méthodes pour le prétraitement d'apprentissage automatique et la standardisation des données",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=feature-scaler",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Vous pouvez chaîner plusieurs outils, par ex.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, max 20 outils.

Si vous rencontrez des problèmes, veuillez nous contacter à [email protected]