Metteur à l'échelle des Caractéristiques | Outil en ligne gratuit | Elysia Tools

Guide d'utilisation de l'outil

Découvrez quand utiliser cet outil, ce qu'il prend en charge et comment les utilisateurs l'appliquent.

Points clés

Catégorie: Data Processing
Types d’entrée: textarea, select, text, checkbox
Type de sortie: text
Exemples associés: 4
API disponible: Oui

Aperçu

Le Metteur à l'échelle des Caractéristiques permet de normaliser et standardiser rapidement des jeux de données tabulaires pour le machine learning et l'analyse statistique. Grâce à un large choix d'algorithmes (Z-score, Min-Max, Robust Scaler, MaxAbs, Quantile, Vecteur Unitaire ou Yeo-Johnson), l'outil transforme vos données CSV tout en conservant les paramètres pour effectuer des transformations inverses.

Quand l’utiliser

Lorsque vos modèles de machine learning (KNN, SVM, réseaux de neurones) nécessitent des variables numériques à la même échelle.
Pour atténuer l'impact des valeurs aberrantes (outliers) à l'aide d'une mise à l'échelle robuste ou d'une transformation Yeo-Johnson.
Pour reconvertir des prédictions ou des variables transformées vers leur échelle d'origine via la transformation inverse.

Fonctionnement

1Collez vos données tabulaires au format CSV dans le champ de saisie.
2Sélectionnez l'algorithme de mise à l'échelle souhaité et indiquez éventuellement les colonnes spécifiques à traiter.
3Définissez le format de sortie souhaité (CSV, JSON ou rapport texte) et choisissez d'exporter ou non les paramètres de transformation.
4Exécutez le traitement pour obtenir vos données transformées et récupérer les métriques de mise à l'échelle.

Cas d’usage

Prétraitement de données tabulaires avant l'entraînement d'algorithmes sensibles aux échelles comme la régression Ridge ou les SVM.
Normalisation de variables financières ou biométriques avec préservation des métriques pour restaurer les prédictions futures.
Uniformisation de plages de valeurs hétérogènes au sein de jeux de données composites sans modifier les colonnes catégorielles.

Exemples

1. Standardisation de caractéristiques pour classification

Data Scientist

Contexte

Préparation d'un jeu de données pour entraîner un modèle k-plus proches voisins (k-NN) sur des données multidimensionnelles.

Problème

Les colonnes présentent des ordres de grandeur très disparates, ce qui fausse le calcul des distances euclidiennes.

Utilisation

Collez les colonnes de mesures dans l'entrée CSV, sélectionnez 'Metteur Standard (Z-score)' et exportez au format CSV.

scalingMethod: 'standard', outputFormat: 'csv', saveParams: true

Résultat

Toutes les variables numériques sont centrées et réduites avec une moyenne de 0 et une variance unitaire.

2. Normalisation Min-Max pour réseau de neurones

Ingénieur Machine Learning

Contexte

Entraînement d'un perceptron multicouche nécessitant des entrées numériques bornées entre 0 et 1.

Problème

Les valeurs brutes des capteurs varient de 0 à 1000 et ralentissent la convergence du gradient.

Utilisation

Insérez le CSV des relevés capteurs, choisissez 'Metteur Min-Max', cochez 'Première Ligne Contient les En-têtes' et validez.

FAQ

Quelle est la différence entre le Metteur Standard (Z-score) et le Metteur Min-Max ?

Le Z-score centre les données autour d'une moyenne nulle avec un écart type de 1, tandis que le Min-Max borne les valeurs dans un intervalle fixe, généralement [0, 1].

Que se passe-t-il si je ne sélectionne aucune colonne spécifique ?

L'outil détecte et applique automatiquement la mise à l'échelle à l'ensemble des colonnes numériques présentes dans le CSV.

Comment effectuer une transformation inverse ?

Cochez l'option Transformation Inverse et collez les paramètres JSON générés lors de la mise à l'échelle initiale dans le champ dédié.

Quelle méthode privilégier en présence de valeurs aberrantes importantes ?

Le Metteur Robuste (basé sur la médiane et l'écart absolu médian) ou la transformation Yeo-Johnson sont recommandés pour limiter l'influence des valeurs extrêmes.

Quels sont les formats d'exportation disponibles ?

Vous pouvez exporter vos données transformées sous forme de tableau CSV, d'objet JSON ou d'un rapport textuel détaillé.

scalingMethod: 'minmax', outputFormat: 'json', saveParams: true

Metteur à l'échelle des Caractéristiques

Exécuter cet outil

Exemples adaptés à cet outil

Continuer avec des outils et dossiers associés

Découvrez quand utiliser cet outil, ce qu'il prend en charge et comment les utilisateurs l'appliquent.

Points clés

Aperçu

Quand l’utiliser

Fonctionnement

Cas d’usage

Exemples

1. Standardisation de caractéristiques pour classification

2. Normalisation Min-Max pour réseau de neurones

FAQ

Exemples CSV

Exemples Python

Traitement de Chaînes Windows - Exemples C#

Exemples Apache Spark

Calculateur de Colonnes

Fusionneur de Données par Ajout

Extracteur de Colonnes de Données

Calculateur de Lignes