Scribd
Importer
366 vues9 pages

Standardisation vs Normalisation : Différences et Applications

La standardisation et la normalisation sont deux techniques de transformation des données utilisées en analyse de données et apprentissage automatique. La standardisation ajuste les données pour avoir une moyenne nulle et un écart-type de 1, tandis que la normalisation ramène les données dans un intervalle fixe, souvent entre 0 et 1. La standardisation est appropriée pour des données normalement distribuées, alors que la normalisation est utilisée pour des données non normalisées et des algorithmes sensibles aux distances.

Transféré par

Nathanaël Mukuna
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
366 vues9 pages

Standardisation vs Normalisation : Différences et Applications

La standardisation et la normalisation sont deux techniques de transformation des données utilisées en analyse de données et apprentissage automatique. La standardisation ajuste les données pour avoir une moyenne nulle et un écart-type de 1, tandis que la normalisation ramène les données dans un intervalle fixe, souvent entre 0 et 1. La standardisation est appropriée pour des données normalement distribuées, alors que la normalisation est utilisée pour des données non normalisées et des algorithmes sensibles aux distances.

Transféré par

Nathanaël Mukuna
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Standardisation vs Normalisation

: Différences et Applications
Dr. Clotilde Djuikem

Dr. Clotilde Djuikem 1/9


Introduction

Context
En analyse de données et en apprentissage automatique,
la standardisation et la normalisation sont deux
techniques couramment utilisées pour transformer les
données avant de les utiliser dans des modèles.

Question: Mais quelles sont leurs différences, comment


sont-elles définies mathématiquement et dans quels
contextes les utilise-t-on ?

Dr. Clotilde Djuikem 2/9


Standardisation

Définition : Transformation des données pour qu’elles


aient une moyenne nulle et un écart-type de 1.

X −µ
Z= (1)
σ
Où :
X est la valeur originale,
µ est la moyenne de la variable,
σ est l’écart-type de la variable.

Dr. Clotilde Djuikem 3/9


Exemple pratique

Prenons un jeu de données simple :


Individu Valeur
A 10
B 20
C 30
D 40
E 50
10 + 20 + 30 + 40 + 50
µ= = 30
5
r
(10 − 30)2 + (20 − 30)2 + (30 − 30)2 + (40 − 30)2 + (50 − 30)2
σ= = 14.14
5

Dr. Clotilde Djuikem 4/9


Application de la standardisation

Calculs :
Valeurs standardisées :
ZA = 10−30
14.14 = −1.41
ZB = 20−30
14.14 = −0.71
ZC = 30−30
14.14 = 0
ZD = 40−30
14.14 = 0.71
ZE = 50−30
14.14 = 1.41

Dr. Clotilde Djuikem 5/9


Normalisation

Définition : Ramène les données dans un intervalle fixe


(souvent entre 0 et 1 ou entre −1 et 1).

X − Xmin
X′ = (2)
Xmax − Xmin
Où :
Xmin et Xmax sont respectivement la valeur minimale
et maximale de la variable.

Dr. Clotilde Djuikem 6/9


Application de la normalisation

Calculs :
X − Xmin
X′ =
Xmax − Xmin
Valeurs normalisées :
XA′ = 10−10
50−10 = 0
XB′ = 20−10
50−10 = 0.25
XC′ = 30−10
50−10 = 0.50
XD′ = 40−10
50−10 = 0.75
XE′ = 50−10
50−10 =1

Dr. Clotilde Djuikem 7/9


Comparaison Standardisation vs Normalisation

Critère Standardisation
X −µ
Formule σ
Plage de valeurs Moyenne : 0, écart-type : 1
Utilisation Données normalement distribuées Don

Critère Normalisation
X −Xmin
Formule Xmax −Xmin
Plage de valeurs Entre 0 et 1 ou -1 et 1
Utilisation Données non normalisées, algorithmes

Dr. Clotilde Djuikem 8/9


Conclusion

Résumé :
Standardisation : utile lorsque les données suivent
une distribution normale et qu’on veut conserver
l’écart-type.
Normalisation : utile pour contraindre les données
dans un intervalle défini, utile pour des algorithmes
sensibles aux distances.

Dr. Clotilde Djuikem 9/9

Vous aimerez peut-être aussi