Pas encore de compte ?

La mise à l'échelle des caractéristiques (également connue sous le nom de normalisation des données) est la méthode utilisée pour normaliser la gamme de caractéristiques des données.

Étant donné que la plage de valeurs des données peut varier considérablement, cela devient une étape nécessaire dans le prétraitement des données lors de l'utilisation d'algorithmes d'apprentissage automatique.

Scaling

Dans la mise à l'échelle (également appelée mise à l'échelle min-max), vous transformez les données de sorte que les caractéristiques se trouvent dans une plage spécifique, par ex. [0, 1].

Standardization

La normalisation (également appelée normalisation du score z) transforme vos données de sorte que la distribution résultante ait une moyenne de 0 et un écart type de 1.

C'est la définition que nous avons lue dans le dernier paragraphe.

Où x est le vecteur de caractéristiques d'origine, xmean est la moyenne de ce vecteur de caractéristiques et σ est son écart type.

Le z-score provient de statistiques, définies comme

normalization

Simplement appelée normalisation, c'est juste une autre façon de normaliser les données. Notez que c'est différent de la mise à l'échelle min-max au numérateur et de la normalisation du score z au dénominateur.

Source : https://kharshit.github.io/blog/2018/03/23/scaling-vs-normalization