Glossaire

Ingénierie et extraction de caractéristiques

Qu’est-ce que 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.

Thèmes

Apprentissage automatique
Préparation des données
Caractéristiques

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

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.

analyse de données
ACP
+1

Nettoyage des données

Le nettoyage des données consiste à repérer et corriger les entrées erronées, en double ou incohérentes d'un jeu de données. Les étapes typiques : harmoniser l'orthographe et les formats de date, supprimer les espaces superflus et fusionner les doublons comme « Dupont SARL » et « Dupont S.A.R.L. ». Des données propres sont la condition d'analyses, de mailings et d'applications d'IA fiables.

qualité des données
doublons
+1

Modèle

Apprentissage automatique

L’apprentissage automatique (machine learning) est une branche de l’intelligence artificielle dans laquelle les ordinateurs déduisent des régularités à partir de données au lieu de recevoir chaque règle explicitement programmée. Selon la tâche, les modèles apprennent à partir d’exemples étiquetés (supervisé), de données non étiquetées (non supervisé) ou par récompense (par renforcement). Les applications vont des filtres anti-spam aux prévisions de demande et aux recommandations de produits. La qualité dépend fortement du volume et de la qualité des données d’entraînement.

fondamentaux
IA
+1