Glossaire

Réduction de dimension

Qu’est-ce que Réduction de dimension ?

La réduction de dimension diminue le nombre de variables d'un jeu de données sans perdre l'information essentielle. Parmi les méthodes connues figurent l'analyse en composantes principales (ACP) ainsi que t-SNE et UMAP, souvent utilisées pour la visualisation. Elle accélère les calculs, réduit le risque de surapprentissage et rend les données lisibles – par exemple en projetant des centaines d'attributs clients sur une carte en deux dimensions où les clients semblables sont proches.

Thèmes

analyse de données
ACP
variables

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Extraction de caractéristiques

L’extraction de caractéristiques (feature extraction) consiste à tirer des données brutes des valeurs significatives qu’un modèle peut traiter efficacement. Au lieu de millions de pixels isolés, un système utilise par exemple des contours, des couleurs ou des formes ; les textes sont convertis en poids de mots ou en vecteurs d’embedding. De bonnes caractéristiques réduisent le volume de données, la charge de calcul et améliorent souvent la précision. C’est une partie centrale du feature engineering.

préparation des données
feature engineering
+1

Clustering

Le clustering (partitionnement) est une méthode d'apprentissage non supervisé qui répartit des données en groupes selon leur similarité, sans catégories définies à l'avance. Il fait apparaître des structures que personne n'avait encore nommées, par exemple des segments de clients aux comportements d'achat proches. Appliqué aux textes, il permet de classer des centaines de demandes clients par thème – livraison, facturation, réclamation – et d'en dégager les priorités.

apprentissage non supervisé
regroupement
+1

Modèle

Surapprentissage (overfitting)

Le surapprentissage (overfitting) se produit lorsqu’un modèle mémorise les données d’entraînement, y compris leurs aléas et leur bruit, au lieu de saisir des régularités générales. Il paraît alors très précis sur les données connues, mais donne de mauvais résultats sur de nouvelles données. Un écart important entre erreur d’entraînement et erreur de test en est le signe typique. Les remèdes : davantage de données ou des données plus variées, des modèles plus simples, la régularisation, le dropout et la validation croisée.

qualité du modèle
entraînement
+1

Ingénierie et extraction de caractéristiques

L’ingénierie des caractéristiques (feature engineering) consiste à sélectionner, transformer et créer des variables à partir de données brutes pour qu’un algorithme d’apprentissage repère mieux les régularités. L’extraction de caractéristiques tire des valeurs compactes et parlantes de données complexes comme des textes, des images ou des signaux. Exemple : à partir des achats individuels, on crée des variables comme « jours depuis le dernier achat » ou « panier moyen », qui améliorent nettement une prévision d’attrition.

Apprentissage automatique
Préparation des données
+1