Attribut

Définition

En intelligence artificielle, les attributs sont des variables utilisées pour représenter un objet ou une classe d’objets. De même, en apprentissage automatique, un jeu de données est un ensemble où chaque objet comporte des attributs. Par exemple, dans la description d’un arbre, on utilise ses différents attributs comme la forme de ses feuilles, sa taille, le diamètre de son tronc, la couleur de son écorce, la couleur de ses feuilles, etc.

On distingue plusieurs types d’attributs selon les valeurs qui les caractérisent. En général, on va distinguer entre les attributs qualitatifs et les attributs quantitatifs (c’est-à-dire des nombres).

En français, pour traduire le terme anglais feature, on utilise les termes attribut, caractéristique, propriété, trait, ou parfois, en France, variable explicative. Nous recommandons l’emploi du terme « attribut » qui permet de s’aligner sur la terminologie bien établie en intelligence artificielle, plus particulièrement en représentation des connaissances qui se fonde sur le fameux triplet « objet, attribut, valeur » dont l’emploi remonte aux philosophes grecs.

Compléments

En plus de distinguer les attributs qualitatifs et les attributs quantitatifs (i.e. des nombres), une autre distinction sépare les attributs quantitatifs entre les valeurs numériques discrètes (des nombres entiers, 0, 1, 2, 3, etc.) et valeurs numériques continues (des nombres avec décimales, 3.14, 2.6, etc.).

Les attributs qualitatifs sont le plus souvent des attributs catégoriels et des valeurs discrètes comme par exemple, la couleur: bleu, blanc rouge, vert, etc.

En apprentissage supervisé, on isole un attribut comme étant la classe-cible ou la variable à prédire et on utilisera les autres attributs pour prédire cette classe-cible. Par exemple, dans la description de différents arbres, pour distinguer entre un sapin et un érable, on utilisera les attributs comme la taille, la couleur, la forme de la feuille, etc. Dans un tel cas, un seul attribut, la forme de la feuille, soit la présence d’aiguilles, pourra permettre de trancher. Mais on peut imaginer des scénarios beaucoup plus complexes où c’est une combinaison d’attributs qui permettra d’arriver à une bonne prédiction.

En apprentissage non supervisé, on utilisera la similarité entre les valeurs des attributs pour créer des groupes. Par exemple, la forme de la feuille en aiguilles pourrait nous permettre de regrouper tous les conifères.