« Encodage un parmi n » : différence entre les versions

Dernière version du 31 janvier 2024 à 09:57

Définition

Vecteur caractérisé par un seul élément ayant la valeur 1 et tous les autres, la valeur 0. L'encodage à 1 bit parmi n bits est couramment utilisé pour représenter des chaînes ou des identifiants qui ont un ensemble fini de valeurs possibles. ⁽¹⁾

Un encodage à 1 parmi n consiste à représenter des états en utilisant pour chacun une valeur dont la représentation binaire n'a qu'un seul chiffre 1.

Compléments

Évitez la traduction directe « encodage à chaud ».

Un vecteur avec la valeur 1 sur une seule dimension spécifique et 0 partout ailleurs, dans cet encodage, les attributs sont donc mutuellement exclusifs.

L'encodage 1 parmi n produit un « vecteur creux », c'est à dire d'un vecteur contenant beaucoup de valeur nulle. Dans le cas précis d'un encodage un sur n, une seule entrée est non-nulle

Français

encodage un parmi n

encodage 1 parmi n

encodage un sur n

encodage 1 sur n

encodage à un bit discriminant

encodage à 1 bit discriminant

encodage multibits un bit à la fois

encodage multibits 1 bit à la fois

Anglais

one-hot encoding

OneHot encoding

Sources

(1) Source : Wikipédia,Encodage one-hot.

(2) Source : Google, Machine learning glossary.

Source : CODE Q&A, Python - scikit - sklearn metrics.

@@ Ligne 1 : / Ligne 1 : @@
 ==Définition==
-Vecteur creux caractérisé par un élément ayant la valeur 1 et tous les autres, la valeur 0. L'encodage à chaud est couramment utilisé pour représenter des chaînes ou des identifiants qui ont un ensemble fini de valeurs possibles. <sup>(1)</sup>
+Vecteur caractérisé par un seul élément ayant la valeur 1 et tous les autres, la valeur 0. L'encodage à 1 bit parmi n bits est couramment utilisé pour représenter des chaînes ou des identifiants qui ont un ensemble fini de valeurs possibles. <sup>(1)</sup>
-Un encodage à chaud consiste à représenter des états en utilisant pour chacun une valeur dont la représentation binaire n'a qu'un seul chiffre 1.
+Un encodage à 1 parmi n consiste à représenter des états en utilisant pour chacun une valeur dont la représentation binaire n'a qu'un seul chiffre 1.
-On peut définir une fonction d'encodage OneHot dans ''scikit-learn'' comme étant la fonction qui prend en entrée un vecteur z et qui redéfinit en sortie la plus grande valeur de z à 1 et toutes autres valeurs de z à 0. <sup>(2)</sup>
+== Compléments ==
+Évitez la traduction directe « encodage à chaud ».
+Un vecteur avec la valeur 1 sur une seule dimension spécifique et 0 partout ailleurs, dans cet encodage, les attributs sont donc mutuellement exclusifs.
+L'encodage 1 parmi n  produit un « vecteur creux », c'est à dire d'un vecteur contenant beaucoup de valeur nulle. Dans le cas précis d'un encodage un sur n, une seule entrée est non-nulle
 ==Français==
-'''encodage à chaud'''
-'''encodage à un bit non nul discriminant'''
+'''encodage un parmi n'''
-'''encodeur OneHot'''  (dans scikit-learn)
+'''encodage 1 parmi n'''
-==Anglais==
+'''encodage un sur n'''
-'''one-hot encoding'''
+'''encodage 1 sur n'''
+'''encodage à un bit discriminant'''
+'''encodage à 1 bit discriminant'''
-'''OneHot Encoding'''
+'''encodage multibits un bit à la fois'''
+'''encodage multibits 1 bit à la fois'''
-<small>
+==Anglais==
+'''one-hot encoding'''
-(1) [https://developers.google.com/machine-learning/glossary/  Source: Google, ''Machine learning glossary''.]
+'''OneHot encoding'''
-(2) [https://fr.wikipedia.org/wiki/Encodage_one-hot  Source: Wikipedia,''Encodage one-hot.'']
+==Sources==
+(1) [https://fr.wikipedia.org/wiki/Encodage_one-hot  Source : Wikipédia,''Encodage one-hot.'']
-[https://code.i-harness.com/fr/q/217b2e7 Source: CODE Q&A, ''Python - scikit - sklearn metrics''.]
+(2) [https://developers.google.com/machine-learning/glossary/  Source : Google, ''Machine learning glossary.'']
+[https://code.i-harness.com/fr/q/217b2e7 Source : CODE Q&A, ''Python - scikit - sklearn metrics''.]
 [[Catégorie:GRAND LEXIQUE FRANÇAIS]]
 [[catégorie:Intelligence artificielle]]

« Encodage un parmi n » : différence entre les versions