Prétraitement des données
Explorez 13 termes d'IA dans le Prétraitement des Données
Discrétisation des fonctionnalités
FDLa discrétisation des caractéristiques est le processus de conversion de caractéristiques continues en catégories discrètes.
Mise à l'échelle des caractéristiques
La mise à l'échelle des caractéristiques est une technique utilisée pour standardiser la plage des variables indépendantes dans le prétraitement des données.
Sélection de caractéristiques
FSLa sélection de caractéristiques est le processus d'identification et de sélection des variables importantes pour les modèles d'apprentissage automatique.
Normalisation Min-Max
La normalisation Min-Max met à l'échelle les données dans une plage fixe, généralement [0, 1], améliorant la performance du modèle en apprentissage automatique.
Mise à l’échelle min-max
La mise à l'échelle Min-Max est une technique de normalisation qui met à l'échelle les caractéristiques dans une plage fixe, généralement [0, 1].
Technique de normalisation
Les techniques de normalisation ajustent les données à une échelle commune, améliorant la performance et l'interprétabilité du modèle en IA.
Fonctionnalité normalisée
Les fonctionnalités normalisées sont des valeurs d'entrée standardisées utilisées pour améliorer les performances du modèle d'IA.
Entrée normalisée
L'entrée normalisée fait référence au processus d'ajustement des données à une échelle commune en IA et apprentissage automatique.
Encodage One-Hot
Le codage one-hot est une méthode de conversion des données catégoriques en un format binaire pour l'apprentissage automatique.
Opération de rembourrage
Une opération de rembourrage ajoute des données supplémentaires aux entrées pour assurer une taille cohérente pour le traitement dans les modèles d'IA.
SMOTE
SMOTESMOTE est une technique utilisée pour équilibrer les ensembles de données en générant des exemples synthétiques pour les classes sous-représentées.
Suppression des mots vides
La suppression des mots vides est le processus d'élimination des mots courants du texte pour améliorer l'analyse et l'efficacité du traitement.
Sous-échantillonnage
La sous-échantillonnage est une technique utilisée en apprentissage automatique pour équilibrer les ensembles de données en réduisant le nombre d'instances dans la classe majoritaire.